mirror of
https://github.com/Youzini-afk/ST-Bionic-Memory-Ecology.git
synced 2026-06-14 02:40:45 +08:00
115 lines
3.6 KiB
Markdown
115 lines
3.6 KiB
Markdown
# 图扩散与动态评分
|
||
|
||
检索管线里两个核心数值算法：图扩散（PEDSA 扩散激活）和混合评分（含访问强化/时间衰减）。
|
||
|
||
## 图扩散（PEDSA）
|
||
|
||
实现在 `retrieval/diffusion.js`，是 PEDSA 式的扩散激活（spreading activation）。这是 JS 单线程的简化实现（无 Rayon/SIMD，见文件头注释）。
|
||
|
||
### 核心公式
|
||
|
||
```
|
||
E_{t+1}(j) = Σ E_t(i) × W_ij × D_decay
|
||
```
|
||
|
||
能量从种子节点沿边扩散，每步衰减。
|
||
|
||
### 默认参数
|
||
|
||
| 参数 | 默认 | 含义 |
|
||
| --- | --- | --- |
|
||
| `maxSteps` | 2 | 扩散步数 |
|
||
| `decayFactor` | 0.6 | 每步衰减 |
|
||
| `topK` | 100 | 保留节点数（按绝对能量） |
|
||
| `minEnergy` | 0.01 | 能量过滤下限 |
|
||
| `maxEnergy` / clamp | 2.0 / -2.0 | 能量上下限 |
|
||
| `teleportAlpha` | 0.0（检索路径用 0.15） | PPR 式传送 |
|
||
| `inhibitMultiplier` | 2.0 | 抑制边放大 |
|
||
|
||
### 种子构建
|
||
|
||
种子能量被夹在 `[-2, 2]`，同 ID 累加。
|
||
|
||
- **常规召回种子**：向量命中 `energy = score`，精确名称/标题锚点 `energy = 2.0`。
|
||
- **交叉/残差种子**：向量命中、精确锚点 2.0、残差命中按 score、事件邻居 `1.5 × edge.strength`。
|
||
|
||
### 扩散步骤
|
||
|
||
对每个活跃节点的每条出边：
|
||
|
||
- **正向传播**：`propagated = energy × strength × decayFactor × (1 - teleportAlpha)`
|
||
- **抑制边**（edge type 255）：`propagated = -|energy| × strength × decayFactor × inhibitMultiplier`
|
||
|
||
累加到下一步能量，夹紧并按 `|energy| >= minEnergy` 过滤。`teleportAlpha > 0` 时对初始种子做 PPR 式传送：`teleported = (1 - teleportAlpha) × current + teleportAlpha × seedEnergy`。动态剪枝保留绝对能量 top K。
|
||
|
||
### 排序
|
||
|
||
`diffuseAndRank()` 只保留正能量节点，按能量降序（同分按 nodeId）输出 `{nodeId, energy}`。
|
||
|
||
### 时序合成边
|
||
|
||
扩散使用 `buildTemporalAdjacencyMap()` 注入时序链接。默认 `enableTemporalLinks=true`、`temporalLinkStrength=0.2`——让时间上相邻的记忆之间有弱连接，帮助按时间线扩散。
|
||
|
||
## 混合评分
|
||
|
||
实现在 `retrieval/dynamics.js`。
|
||
|
||
### 公式
|
||
|
||
```
|
||
FinalScore = (normGraph×α + normVec×β + normLexical×δ + normImportance×γ) / totalWeight × TimeDecay
|
||
```
|
||
|
||
> 注意：`dynamics.js` 头注释的公式省略了词法分，实际代码包含 `lexicalScore`（启用词法增强时）。
|
||
|
||
### 权重默认
|
||
|
||
| 权重 | 默认 | 信号 |
|
||
| --- | --- | --- |
|
||
| `graphWeight` (α) | 0.6 | 图扩散邻近度 |
|
||
| `vectorWeight` (β) | 0.3 | 向量相似度 |
|
||
| `importanceWeight` (γ) | 0.1 | 节点重要度 |
|
||
| `lexicalWeight` (δ) | 0（常规召回默认 0.18） | 词法匹配 |
|
||
|
||
### 归一化
|
||
|
||
```
|
||
normGraph = clamp(graphScore / 2.0, 0, 1)
|
||
normVec = clamp(vectorScore, 0, 1)
|
||
normLexical = clamp(lexicalScore, 0, 1)
|
||
normImportance = clamp(importance / 10.0, 0, 1)
|
||
```
|
||
|
||
### 时间衰减
|
||
|
||
```
|
||
deltaDays = max(0, (now - createdTime) / 一天毫秒数)
|
||
factor = 0.8 + 0.2 / (1 + ln(1 + deltaDays))
|
||
```
|
||
|
||
越新的记忆衰减因子越接近 1，越旧越接近 0.8（不会衰减到 0，保留底线）。
|
||
|
||
## 访问强化与边衰减
|
||
|
||
### 访问强化（`reinforceAccess`）
|
||
|
||
被召回选中的节点：
|
||
|
||
```
|
||
accessCount += 1
|
||
importance = min(10, (importance || 5) + 0.1)
|
||
lastAccessTime = now
|
||
```
|
||
|
||
经常被召回的记忆重要度缓慢上升——一种使用频率的正反馈。
|
||
|
||
### 边衰减（`reinforceEdge`，辅助）
|
||
|
||
```
|
||
被激活的边：strength = min(1.0, strength + decayRate × 0.5)
|
||
未激活的边：strength = max(0.1, strength - decayRate)
|
||
默认 decayRate = 0.02
|
||
```
|
||
|
||
> 说明：该边衰减辅助函数在当前检索/写入主路径中未见调用，属于预留能力。
|