idea报错找不到jar包问题

最新推荐文章于 2025-03-20 19:56:19 发布

weixin_43888133

最新推荐文章于 2025-03-20 19:56:19 发布

阅读量832

点赞数

文章标签： maven

本文链接：https://blog.youkuaiyun.com/weixin_43888133/article/details/106472710

版权

本文详细解释了在使用Maven的项目中，如何通过父工程的mvn install操作解决子工程无法找到依赖jar包的问题。这是一篇针对Maven依赖管理的实用指南，适合所有遇到类似问题的开发者。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

idea报错找不到jar包问题

我的项目用的maven依赖传递，父工程要进行mvn install一下，子工程才能找到依赖

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

weixin_43888133

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

如何提升RAG系统整体效果：从索引构建-问句理解-混合搜索+语义排序着手，评估系统

丨汀、的博客

01-07

508

一个主要的问题是， query 的 embedding 与文档的 embedding 在向量空间并没有对齐。改善这种情况的常见方法是从文档中提取信息并用它来回答问题。可以对文档提取、总结和生成潜在问题以改进的 embedding 匹配的问题。从单一的文档 chunk 生成了 keywords，topics，HyDE 和 summary，这些信息可以极大的提高检索的效果。

利用Reciprocal Rerank Fusion算法在不同索引上进行检索重排序

ppoojjj的博客

07-11

419

在现代的信息检索系统中，如何从多个查询和多个索引中获取高质量的检索结果是一个重要的课题。本文将介绍如何使用Reciprocal Rerank Fusion算法合并多个查询和多个索引的检索结果，并对结果进行重排序，让我们能够更高效地获取相关信息。

参与评论您还未登录，请先登录后发表或查看评论

【AI知识】倒数排名融合 (RRF) ——用于融合多个排序列表的结果

热门推荐

Elastic 中国社区官方博客

06-14

1万+

倒数排序融合（RRF）是一种将具有不同相关性指标的多个结果集组合成单个结果集的方法。RRF 无需调优，不同的相关性指标也不必相互关联即可获得高质量的结果。该方法的优势在于不利用相关分数，而仅靠排名计算。相关分数存在的问题在于不同模型的分数范围差。

Elasticsearch：倒数排序融合 - Reciprocal rank fusion - 8.14

Elastic 中国社区官方博客

06-21

2588

此功能处于技术预览阶段，可能会在未来版本中更改或删除。语法可能会在正式发布之前发生变化。Elastic 将努力修复任何问题，但技术预览中的功能不受官方正式发布功能的支持 SLA 约束。倒数排序融合 (reciprocal rank fusion - RRF) 是一种将具有不同相关性指标的多个结果集组合成单个结果集的方法。RRF 无需调整，并且不同的相关性指标不必相互关联即可获得高质量的结果。：在今天的文章中，RFF 有别于之前版本。这个描述是从 8.14.0 开始的。在这个版本之前，请参阅 “

小学生都能懂的 RRF（Reciprocal Rank Fusion）说明

engchina的专栏

06-12

2432

小学生都能懂的 RRF（Reciprocal Rank Fusion）说明

【RRF】递归排序融合 1 / (k + i) 核心思想

weixin_42430947的博客

03-14

664

关键参数：K 控制权重衰减速度；i 文档在当前排名列表中位置；RRF目标是多个排名列表合并为一个统一的排名；核心思想：高排名文档权重更大、低排名文档权重更小；多个列表的贡献叠加

113 深入解析`QueryFusionRetriever`类中的倒数排名融合方法 llamaindex.core.retrievers

xycxycooo的博客

08-29

638

通过本文的详细解析，我们深入理解了类中倒数排名融合方法的实现原理和应用方法。该方法通过计算每个文档在不同检索器中的倒数排名，有效地融合多个检索器的输出结果，从而提升检索系统的准确性和全面性。希望本文能为您的编程实践提供有益的参考和帮助。

elasticsearch中的向量检索，语义检索，RRF，kNN，ANN，HNSW

猛犸象

10-23

2772

elasticsearch中的向量检索，语义检索，RRF，kNN，ANN，HNSW

RAG 检索大升级：BM25 与 RRF 助力 LLMs 精准破局

m0_59164520的博客

08-20

1520

BM25（最佳匹配25）和RRF（倒数秩融合）是两种在检索增强生成（RAG）系统中用于改进大型语言模型（LLMs）检索步骤的技术。以下将详细介绍它们的工作原理及其在RAG流程中的作用。BM25是一种概率信息检索模型，它基于与查询的相关性对文档进行排名。作为传统TF-IDF模型的扩展，BM25在许多检索任务中表现出色，因此被广泛应用。：指一个术语在文档中出现的次数。BM25通过考虑文档长度来调整这一指标，避免较长的文档由于术语频繁出现而被错误地赋予更高权重。：衡量一个术语在所有文档中出现的稀有程度。

RAG进阶(二): RAG 融合(rag fusion)

weixin_42608414的博客

05-06

6022

今天我们来介绍RAG 融合(rag fusion)，它的主要思想是在Multi Query的基础上，对其检索结果进行重新排序(即reranking)后输出Top K个最相关文档，最后将这top k个文档喂给LLM并生成最终的答案(answer)。

RAG混合检索：掌握倒数秩融合RRF多维度提升检索结果评分的秘诀

m0_56255097的博客

08-23

1468

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

RAG Fusion 的简单尝试

engchina的专栏

12-04

514

RAG Fusion 的简单尝试

RAG Fusion简明教程

新缸中之脑

02-01

1741

RAG Fusion (Raudaschl, 2023) 提供了解决 RAG 模型局限性的最佳解决方案。不同的限制，例如人工搜索效率低下和搜索过于简单化，会导致相关性较低的结果；然而，借助 RAG Fusion，人们可以轻松克服这些限制。它通过生成多个用户查询并使用倒数排名融合等策略对结果进行排名来克服挑战。这种临时技术弥合了用户查询与其预期含义之间的差距。RAG Fusion 技术使用编程语言、向量搜索数据库、具有查询生成功能的LLM以及结果重新排名步骤。

字节面试官：什么是RRF，你能解释一下吗？

dsxaigc的博客

08-14

3193

今天我们来聊聊 RRF（Reciprocal Rank Fusion），如果你简历上写了 RAG 的内容，一定要清楚以下 RRF 相关的问题。

改进 Elastic Stack 中的信息检索：混合检索 - hybrid retrieval

Elastic 中国社区官方博客

07-14

2242

在中，我们介绍了 Elastic Learned Sparse Encoder，这是一种经过训练可有效进行零样本文本检索的模型。Elasticsearch® 还具有强大的词汇检索功能和丰富的工具来组合不同查询的结果。在本博客中，我们介绍了混合检索的概念，并探讨了 Elasticsearch 中可用的两种具体实现。

LLM之RAG理论（七）| 高提升RAG检索的四种方法

wshzd的博客

01-24

2134

LoRA是大模型微调的技术之一，它来自论文《LoRA: Low-Rank Adaptation of Large Language Models》[9]，基本原理是冻结大模型参数，在原始模型中添加少量的可训练参数AB矩阵来适应特定领域知识，由于微调的参数量较少，比较适合低资源的场景和用户。有时候直接对原问题生成答案效果不佳，这时我们可以通过要求LLM首先将用户的查询分解为子问题，然后，文档检索器可以检索每个较小的问题，这样可以提供更丰富的上下文。对于每个检索到的文档集，都会生成相应子问题的答案。

RRF算法

03-20

### RRF Algorithm in Information Retrieval The **Rank-Biased Overlap (RBO)** and other fusion techniques are often used to combine multiple rankings effectively, but another notable approach is the **Reciprocal Rank Fusion (RRF)** algorithm. The Reciprocal Rank Fusion method addresses issues related to rank aggregation by assigning higher weights to top-ranked items while ensuring diversity across different ranking sources[^1]. In its simplest form, the RRF formula computes fused ranks as follows: For each item \( i \), calculate: \[ \text{Score}(i) = \frac{1}{(k + r_1(i))} + \frac{1}{(k + r_2(i))} + ... + \frac{1}{(k + r_n(i))} \] Where: - \( k \): A constant parameter typically set between 40–60. - \( r_j(i) \): The position of item \( i \) in the j-th ranked list. This ensures that even lower-ranked results from one source may still contribute significantly when they appear highly ranked in others[^2]. #### Implementation Example Below demonstrates how an implementation might look using Python pseudocode for combining two lists with reciprocal rank fusion logic applied: ```python def reciprocal_rank_fusion(lists_of_ranks, k=60): scores = {} for lst_idx, current_list in enumerate(lists_of_ranks): for pos, doc_id in enumerate(current_list, start=1): if doc_id not in scores: scores[doc_id] = 0 scores[doc_id] += 1 / (k + pos) sorted_scores = dict(sorted(scores.items(), key=lambda item: -item[1])) return list(sorted_scores.keys()) ``` Here we define `reciprocal_rank_fusion` which takes several pre-sorted document ID arrays along with optional tuning factor 'k'. It iterates through all given ordered sets calculating their contribution according to defined mathematical model before returning final merged order respecting computed score values per entry found within input collections provided earlier mentioned context about machine learning applications involving sensor modality contrastive alignment could also potentially leverage similar principles albeit adapted specifically towards handling cross-domain feature extraction tasks instead traditional text-based search engine optimization scenarios described previously here today regarding general purpose classifiers like those implemented via specialized programming languages such as APL where simplicity meets power allowing rapid prototyping complex statistical models including ones based off probabilistic assumptions underlying bayesian theory itself.[^3][^4]