检查其他资源

• 为这个问题添加了一个非常描述性的标题。
• 使用集成搜索在LangChain文档中进行了搜索。
• 使用GitHub搜索找到了一个类似的问题，但没有找到。
• 我确信这是LangChain中的一个bug,而不是我的代码。
• 通过更新到LangChain的最新稳定版本(或特定集成包)无法解决此bug。

示例代码

from langchain_community.vectorstores import FAISS
from langchain_aws import BedrockEmbeddings

texts = ["I like apples", "I like oranges"]
distance_strategy = "MAX_INNER_PRODUCT"

embeddings = BedrockEmbeddings(
    region_name="us-east-1", model_id="amazon.titan-embed-text-v1"
)

normalize_L2 = False
vectorstore = FAISS.from_texts(
    texts,
    embeddings,
    distance_strategy=distance_strategy,
    normalize_L2=normalize_L2
)
results = vectorstore.similarity_search_with_score("I like apples", k=1)
print(results)

normalize_L2 = True
vectorstore = FAISS.from_texts(
    texts,
    embeddings,
    distance_strategy=distance_strategy,
    normalize_L2=normalize_L2
)
results = vectorstore.similarity_search_with_score("I like apples", k=1)
print(results)
results = vectorstore.similarity_search_with_relevance_scores("I like apples", k=1)
print(results)

错误信息和堆栈跟踪(如果适用)

• 无响应*

描述

根据FAISS,首先需要对向量进行归一化，然后使用内积构建索引以获得余弦相似度。然而，运行上面的代码时，当设置normalize_L2 = True时，会出现警告：

UserWarning: Normalizing L2 is not applicable for metric type: MAX_INNER_PRODUCT

此外，相关性分数不符合直觉。如果我们计算余弦相似度，那么从similarity_search_with_relevance_scores获得的相关性分数应该与从similarity_search_with_score获得的相关性分数相同。然而，实现将导致两个向量更接近时的相关性分数较小。
langchain/libs/core/langchain_core/vectorstores/base.py
第422行至第427行 fd54619
| def_max_inner_product_relevance_score_fn(distance: float) ->float: |
| """将距离归一化为[0, 1]范围内的分数.""" |
| if distance > 0: |
| return 1.0 - distance |
| |
| return -1.0 * distance |