MMR
Technique de re-classement qui équilibre pertinence et diversité — évite que le top-K ne soit qu'une série de quasi-doublons.
Carbonell & Goldstein, 1998. Pour chaque candidat : score = λ × similarity(query, doc) − (1−λ) × max similarity(doc, already-selected docs). On choisit celui qui obtient le meilleur score, on l'ajoute aux résultats, on recommence. λ proche de 1 = davantage guidé par la pertinence, proche de 0 = davantage guidé par la diversité. Utile quand une base vectorielle renvoie 10 fragments quasi identiques issus du même document — le MMR les répartit entre différentes sources. Intégré à LangChain et LlamaIndex.