Denser Retriever将多种搜索技术整合到一个平台中。它利用梯度提升 (xgboost)机器学习技术来结合：
-
基于关键字的搜索，重点在于精确获取查询中提到的内容。 -
矢量数据库非常适合查找大量可能相关的答案。 -
机器学习重新排序器可以对结果进行微调，以确保最相关的答案位于列表顶部。
-
支持关键字搜索、向量搜索、ML模型重排等异构检索器 -
利用xgboost ML技术有效地组合异构检索器 -
MTEB检索基准测试的最高准确度
在MTEB数据集上进行的实验表明，通过xgboost模型（表示为 ES+VS+RR_n）结合关键字搜索、向量搜索和重新排序器可以显著改善向量搜索（VS）基线。
-
演示如何使用Denser检索器为聊天机器人和语义搜索等端到端应用程序提供支持
端到端聊天应用程序
pip install poetrypoetry add git+https://github.com/denser-org/denser-retriever.git#mainpoetry run streamlit run examples/denser_chat.py
一旦启动，将看到一个类似于以下屏幕截图的聊天机器人界面。可以向聊天机器人提出任何问题并获得答复。下面显示了一个示例查询：“what use cases does denser support?”，检索器首先返回屏幕截图底部部分下列出的相关段落Sources。这些段落被输入到 LLM，最终的摘要显示在聊天窗口中。
端到端语义搜索应用程序
poetry run streamlit run examples/denser_search.py
启动后，将看到类似以下截图的搜索界面。可以输入任何查询，以及过滤器来搜索相关结果。下面显示了一个字段为的示例查询。输入“cumings”，检索器返回与指定过滤器值匹配的相关段落。
https://github.com/denser-org/denser-retrieverhttps://retriever.denser.ai/docs
