리랭크
Milvus는 여러 AnnSearchRequest 인스턴스에서 검색 결과를 구체화하기 위해 정교한 재랭크 전략을 통합하는 hybrid_search() API를 사용하여 하이브리드 검색 기능을 지원합니다. 이 주제에서는 재랭크 프로세스를 다루며, 그 중요성과 Milvus에서 다양한 재랭크 전략의 구현에 대해 설명합니다.
개요
다음 그림은 Milvus에서 하이브리드 검색을 실행하는 과정을 보여주며, 이 과정에서 재랭크의 역할을 강조합니다.
하이브리드 검색에서 재랭크는 여러 벡터 필드의 결과를 통합하여 최종 결과의 관련성과 정확한 우선순위를 보장하는 중요한 단계입니다. 현재 Milvus는 다음과 같은 리랭크 전략을 제공합니다:
WeightedRanker: 이 접근 방식은 서로 다른 벡터 검색의 점수(또는 벡터 거리)의 가중 평균을 계산하여 결과를 병합합니다. 각 벡터 필드의 중요도에 따라 가중치를 할당합니다.RRFRanker: 이 전략은 서로 다른 벡터 열의 순위에 따라 결과를 결합합니다.
가중 점수(가중 순위)
WeightedRanker 전략은 각 벡터 필드의 중요도에 따라 각 벡터 검색 경로의 결과에 서로 다른 가중치를 할당합니다. 이 순위 재조정 전략은 각 벡터 필드의 중요도가 다를 때 적용되며, 특정 벡터 필드에 더 높은 가중치를 할당하여 다른 벡터 필드보다 강조할 수 있습니다. 예를 들어, 다중 모드 검색에서는 이미지의 색상 분포보다 텍스트 설명이 더 중요한 것으로 간주될 수 있습니다.
가중치랭커의 기본 프로세스는 다음과 같습니다:
검색 중에 점수를 수집합니다: 다양한 벡터 검색 경로에서 결과와 그 점수를 수집합니다.
점수 정규화: 각 경로의 점수를 [0,1] 범위로 정규화하며, 1에 가까운 값일수록 관련성이 높음을 나타냅니다. 이 정규화는 메트릭 유형에 따라 점수 분포가 달라지기 때문에 매우 중요합니다. 예를 들어, IP의 거리는 [-∞,+∞]의 범위인 반면, L2의 거리는 [0,+∞]의 범위입니다. Milvus는
arctan함수를 사용하여 값을 [0,1] 범위로 변환하여 다양한 메트릭 유형에 대한 표준화된 기준을 제공합니다.
가중치 할당: 각 벡터 검색 경로에 가중치
w𝑖를 할당합니다. 사용자는 데이터 소스의 신뢰성, 정확성 또는 기타 관련 메트릭을 반영하는 가중치를 지정합니다. 각 가중치의 범위는 [0,1]입니다.점수 융합: 정규화된 점수의 가중 평균을 계산하여 최종 점수를 도출합니다. 그런 다음 이 최고 점수부터 최저 점수를 기준으로 순위를 매겨 최종 정렬된 결과를 생성합니다.
가중치 재순위
이 전략을 사용하려면 WeightedRanker 인스턴스를 적용하고 다양한 숫자 인수를 전달하여 가중치 값을 설정합니다.
from pymilvus import WeightedRanker
# Use WeightedRanker to combine results with specified weights
rerank = WeightedRanker(0.8, 0.8, 0.7)
참고하세요:
각 가중치 값의 범위는 0(가장 중요하지 않음)에서 1(가장 중요함)까지이며, 최종 집계 점수에 영향을 미칩니다.
WeightedRanker에 제공된 가중치 값의 총 개수는 앞서 생성한AnnSearchRequest인스턴스 수와 같아야 합니다.서로 다른 메트릭 유형의 측정값이 다르기 때문에 리콜 결과의 거리가 [0,1] 간격에 위치하도록 정규화하며, 여기서 0은 다르다는 의미이고 1은 비슷하다는 의미입니다. 최종 점수는 가중치 값과 거리의 합이 됩니다.
상호 순위 융합(RRFRanker)
RRF는 순위의 역순에 따라 순위 목록을 결합하는 데이터 융합 방법입니다. 특히 중요도의 우선순위가 명확하지 않은 경우 각 벡터 필드의 영향력의 균형을 맞추는 데 효과적인 방법입니다. 이 전략은 일반적으로 모든 벡터 필드를 동등하게 고려하거나 각 필드의 상대적 중요도에 대해 불확실성이 있을 때 사용됩니다.
RRF의 기본 프로세스는 다음과 같습니다:
검색 중에 순위를 수집합니다: 여러 벡터 필드에 걸친 검색기가 결과를 검색하고 정렬합니다.
순위 융합: RRF 알고리즘은 각 리트리버의 순위를 가중치를 부여하고 결합합니다. 공식은 다음과 같습니다:
rrf-ranker 여기서 𝑁는 서로 다른 검색 경로의 수를 나타내고, rank𝑖(𝑑)는 𝑖번째 리트리버가 검색한 문서 𝑑의 순위 위치이며, 𝑘은 평활화 매개변수로 일반적으로 60으로 설정됩니다.
종합 순위: 합산된 점수를 기준으로 검색된 결과의 순위를 다시 매겨 최종 결과를 생성합니다.
이 전략을 사용하려면 RRFRanker 인스턴스를 적용하세요.
from pymilvus import RRFRanker
# Default k value is 60
ranker = RRFRanker()
# Or specify k value
ranker = RRFRanker(k=100)
RRF를 사용하면 명시적인 가중치를 지정하지 않고도 필드 간의 영향력을 균형 있게 조정할 수 있습니다. 여러 필드에서 합의된 상위 일치 항목이 최종 순위에서 우선순위를 갖습니다.
