当前位置:

首页 > 编程开发 > Langchain ChromaDB去重问题解析

Langchain ChromaDB去重问题解析

本文旨在解决在使用Langchain和ChromaDB构建向量存储时,检索操作返回大量重复文档的问题。通过分析问题根源,本文提供两种解决方案:一是避免重复向ChromaDB数据库插入相同文档,二是利用EmbeddingsRedundantFilter过滤掉相似的向量,确保检索结果的多样性。本文将通过代码示例和详细解释,帮助读者有效解决此问题,提升检索系统的准确性和实用性。

本文目录

    Langchain/ChromaDB:解决向量存储返回重复文档的问题

    本文旨在解决在使用Langchain和ChromaDB构建向量存储时,检索操作返回大量重复文档的问题。通过分析问题根源,本文提供两种解决方案:一是避免重复向ChromaDB数据库插入相同文档,二是利用EmbeddingsRedundantFilter过滤掉相似的向量,确保检索结果的多样性。本文将通过代码示例和详细解释,帮助读者有效解决此问题,提升检索系统的准确性和实用性。

    在使用Langchain和ChromaDB构建向量存储时,一个常见的问题是检索结果中出现大量重复的文档。这通常发生在每次运行程序时,都会将相同的数据重复插入到ChromaDB数据库中。以下将介绍两种解决此问题的方法。

    解决方案一:避免重复插入文档

    最直接的解决方案是避免每次运行程序时都重新创建向量存储。如果您使用的是相同的文件作为数据源,可以采取以下措施:

    1. 首次运行后注释掉插入代码: 在第一次运行程序,成功将文档插入ChromaDB后,可以将以下代码段注释掉,避免后续重复插入。

      vectorstore = Chroma.from_documents(documents=all_splits, embedding=OpenAIEmbeddings())
    2. 持久化向量存储: 将向量存储持久化到磁盘,并在后续运行中加载已存在的向量存储。这样可以避免每次都从头开始构建向量存储。

      # 首次创建并保存
      persist_directory = "chroma_db" # 定义持久化存储的目录
      vectorstore = Chroma.from_documents(documents=all_splits, embedding=OpenAIEmbeddings(), persist_directory=persist_directory)
      vectorstore.persist()
      
      # 后续加载已存在的向量存储
      vectorstore = Chroma(persist_directory=persist_directory, embedding_function=OpenAIEmbeddings())

      注意: persist_directory 变量指定了向量存储的保存路径。请确保在后续加载时使用相同的路径。

    解决方案二:使用EmbeddingsRedundantFilter过滤重复文档

    即使采取了避免重复插入的措施,由于文档内容的高度相似性,仍然可能出现重复的检索结果。这时,可以使用EmbeddingsRedundantFilter来过滤掉相似的向量。

    EmbeddingsRedundantFilter通过比较文档的嵌入向量来判断文档是否冗余,并移除相似的文档。

    以下是使用EmbeddingsRedundantFilter的代码示例:

    import os
    from langchain.llms import OpenAI
    import bs4
    import langchain
    from langchain import hub
    from langchain.document_loaders import UnstructuredFileLoader
    from langchain.embeddings import OpenAIEmbeddings
    from langchain.text_splitter import RecursiveCharacterTextSplitter
    from langchain.vectorstores import Chroma
    from langchain_community.document_transformers import EmbeddingsRedundantFilter
    from langchain.retrievers import ContextualCompressionRetriever
    from langchain.chains import RetrievalQA
    from langchain.llms import OpenAI
    from langchain.retrievers.document_compressors import EmbeddingsFilter
    
    os.environ["OPENAI_API_KEY"] = "KEY"
    
    loader = UnstructuredFileLoader(
        'path_to_file'
    )
    docs = loader.load()
    
    text_splitter = RecursiveCharacterTextSplitter(
        chunk_size=1000, chunk_overlap=200, add_start_index=True
    )
    all_splits = text_splitter.split_documents(docs)
    vectorstore = Chroma.from_documents(documents=all_splits, embedding=OpenAIEmbeddings())
    #vectorstore = Chroma(persist_directory=persist_directory, embedding_function=OpenAIEmbeddings())
    
    # 创建冗余过滤器
    redundant_filter = EmbeddingsRedundantFilter(embeddings=OpenAIEmbeddings())
    
    # 创建压缩检索器
    compression_retriever = ContextualCompressionRetriever(
        base_compressor=redundant_filter,
        base_retriever=vectorstore.as_retriever(search_type="similarity", search_kwargs={"k": 6})
    )
    
    # 获取相关文档
    retrieved_docs = compression_retriever.get_relevant_documents(
        "What is X?"
    )
    
    print(retrieved_docs)

    代码解释:

    1. 导入必要的模块: 导入EmbeddingsRedundantFilter以及其他相关模块。
    2. 创建EmbeddingsRedundantFilter对象: 使用OpenAIEmbeddings创建一个EmbeddingsRedundantFilter对象。
    3. 创建ContextualCompressionRetriever对象: 使用EmbeddingsRedundantFilter作为压缩器,并使用vectorstore.as_retriever()创建基础检索器,构建ContextualCompressionRetriever。
    4. 使用get_relevant_documents方法: 使用compression_retriever.get_relevant_documents()方法检索相关文档。EmbeddingsRedundantFilter会在检索过程中过滤掉相似的文档。

    注意事项:

    • EmbeddingsRedundantFilter需要计算文档的嵌入向量,这会增加计算成本。
    • EmbeddingsRedundantFilter的过滤效果取决于嵌入向量的质量和相似度阈值的设置。

    总结

    通过避免重复插入文档和使用EmbeddingsRedundantFilter,可以有效地解决Langchain/ChromaDB向量存储返回重复文档的问题。选择哪种解决方案取决于具体的应用场景和需求。如果数据源稳定,可以优先考虑避免重复插入;如果数据源存在大量相似文档,则可以使用EmbeddingsRedundantFilter进行过滤。结合这两种方法,可以构建更加准确和高效的检索系统。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发
    相关文章 更多
    QQ影音怎么加速播放视频课程
    QQ影音怎么加速播放视频课程

    播放时右键选播放速度,或点控制条倍速,1.25 到 1.5 倍看课最舒服;公式代码类内容别超过 1.25 倍。

    企业微信创建企业提示失败怎么办 实名与填写检查
    企业微信创建企业提示失败怎么办 实名与填写检查

    先看提示属于哪类:名称占用就加后缀,实名不一致就重填本人信息,证件不清晰就重拍。统一社会信用代码逐位核对,连续三次失败别改材料重投,直接联系客服人工核。

    Modern Web Guidance 的 legacy-scan 反转建议应该怎样判断?
    Modern Web Guidance 的 legacy-scan 反转建议应该怎样判断?

    说明源码提交对字符串、生成器和数组的识别边界,以及扫描命令与发行包核验限制。

    Codex 0.170.0 正式版的语音与连接更新,适用范围有哪些限制?
    Codex 0.170.0 正式版的语音与连接更新,适用范围有哪些限制?

    0.170.0 的语音更新限于终端通话协商能力的明确新增,同名工具服务器跨环境支持仍标注实验性质;连接部分则修复大请求回退、认证竞态和云端重连等具体问题。这份正式版公告不足以证明所有账户、所有客户端都已具备完整语音功能。

    Hy4 flash 三种权重怎么选,安装和授权要注意哪些条件?
    Hy4 flash 三种权重怎么选,安装和授权要注意哪些条件?

    了解Hy4 flash、FP8与base的适用任务,阅读官方安装及图文代码,并核对资源和MaaS许可条件。

    OpenAI Python SDK 3.55.0 升级看点:Live MCP 服务配置与预算接口变化
    OpenAI Python SDK 3.55.0 升级看点:Live MCP 服务配置与预算接口变化

    OpenAI Python SDK 3.55.0 升级看点:Live MCP 服务配置与预算接口变化。说明已核实的更新范围、类型兼容性和本地版本确认方法。

    OpenAI Java SDK 4.108.0 的两项新增能力适合哪些项目?
    OpenAI Java SDK 4.108.0 的两项新增能力适合哪些项目?

    OpenAI Java SDK 4.108.0 面向 Live MCP 工具接入与 Managed Agents 预算状态处理,说明新增模型、事件含义、正式发布范围和适用限制。

    Free Claude Code 6.19.37 如何兼顾网页搜索与普通工具调用?
    Free Claude Code 6.19.37 如何兼顾网页搜索与普通工具调用?

    Free Claude Code 6.19.37 在自动搜索时保留客户端工具及选择条件,代理执行搜索后仍返回普通调用。说明适用场景、历史信息保留、请求约束与第三方项目的版本边界。

    Google GenAI Go SDK 1.78.0 的 v1beta 配置优先级怎样判断?
    Google GenAI Go SDK 1.78.0 的 v1beta 配置优先级怎样判断?

    Google GenAI Go SDK 1.78.0 将 Gemini Developer API 默认改为 v1,可用 HTTPOptions.APIVersion 或环境变量保留 v1beta,Vertex AI 默认值不变。

    Google GenAI SDK 3.5.0实时交互值得哪些项目升级评估?
    Google GenAI SDK 3.5.0实时交互值得哪些项目升级评估?

    解释实验性实时支持、环境检查与生产评估中需要验证的条件。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。