Chapitre 1 : Recherche de Similarité

Introduction

La recherche de similarité est la base de la récupération dans les systèmes RAG. Elle trouve les documents dont les représentations vectorielles sont les plus proches du vecteur de requête.

Mesures de Distance

Similarité Cosinus

import numpy as np

def cosine_similarity(a, b):
    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))

# Plage : -1 à 1 (1 = identique)

Distance Euclidienne

def euclidean_distance(a, b):
    return np.linalg.norm(a - b)

# Plage : 0 à l'infini (0 = identique)

Produit Scalaire (Produit Point)

def inner_product(a, b):
    return np.dot(a, b)

# Pour les vecteurs normalisés, équivalent au cosinus

Récupération Top-K

from langchain.vectorstores import Chroma

# Créer un récupérateur
retriever = vectorstore.as_retriever(
    search_type="similarity",
    search_kwargs={"k": 5}  # Retourner les 5 meilleurs résultats
)

# Récupérer
docs = retriever.get_relevant_documents("Qu'est-ce que RAG?")

Seuils de Score

Filtrer par similarité minimale :

retriever = vectorstore.as_retriever(
    search_type="similarity_score_threshold",
    search_kwargs={
        "score_threshold": 0.7,  # Similarité minimale
        "k": 10
    }
)

Pertinence Marginale Maximale (MMR)

Équilibrer la pertinence avec la diversité :

retriever = vectorstore.as_retriever(
    search_type="mmr",
    search_kwargs={
        "k": 5,
        "fetch_k": 20,        # Récupérer plus de candidats
        "lambda_mult": 0.7    # 1=pertinence, 0=diversité
    }
)

Comparaison

Méthode	Meilleur Pour	Compromis
Similarité	Usage général	Peut avoir des résultats redondants
Seuil	Filtrage de qualité	Peut retourner peu de résultats
MMR	Résultats diversifiés	Pertinence légèrement inférieure

---

Prochaines Étapes

Continuez vers Chapitre 2 : Recherche Hybride.