Decay Ranker 總覽Compatible with Milvus 2.6.x

在傳統的向量搜尋中，搜尋結果的排序純粹取決於向量的相似性-向量在數學空間中的匹配程度。但在現實世界的應用中，內容是否真正相關往往不只取決於語意相似度。

請考慮這些日常情境：

• 在新聞搜尋中，昨天的文章應該比三年前的類似文章排名更高

• 餐廳搜尋器會優先搜尋 5 分鐘車程內的餐廳，而非 30 分鐘車程內的餐廳

• 一個電子商務平台，能提升趨勢商品的排名，即使這些商品與搜尋查詢的相似度稍低。

這些情境都有一個共同的需求：平衡向量相似度與其他數值因素，例如時間、距離或知名度。

Milvus 的 Decay rankers 可根據數值字段值調整搜尋排名，從而滿足此需求。它們可讓您平衡向量相似性與資料的「新鮮度」、「接近度」或其他數值屬性，創造更直覺且與上下文相關的搜尋體驗。

使用注意事項

• 衰減排名不能用於群組搜尋。

• 用於衰減排名的欄位必須是數值 (INT8,INT16,INT32,INT64,FLOAT, 或DOUBLE)。

• 每個衰減排名只能使用一個數值欄位。

• 時間單位一致性：使用以時間為基礎的衰減排名時，origin,scale, 和offset 參數的單位必須與您的收集資料中使用的單位相符：

  • 如果您的資料集以秒為單位儲存時間戳記，請對所有參數使用秒。

  • 如果您的資料集以毫秒為單位儲存時間戳記，則所有參數都使用毫秒。

  • 如果您的集合以微秒為單位儲存時間戳記，則所有參數均使用微秒。

如何運作

衰減排序將時間或地理距離等數字因素納入排序過程中，增強了傳統向量搜尋的功能。整個過程遵循以下幾個階段

第一階段：計算標準化的相似性分數

首先，Milvus 會計算向量相似性分數並加以規範化，以確保比較結果一致：

• 對於L2和JACCARD距離指標 (較低的值表示較高的相似性)：

  normalized_score = 1.0 - (2 × arctan(score))/π
  

  這將距離轉換成 0-1 之間的相似性分數，越高越好。

• 對於IP、COSINE 和BM25公約 (分數越高表示匹配度越高)：直接使用分數，無需標準化。

第二階段：計算衰減分數

接下來，Milvus 會根據數值字段值 (如時間戳記或距離)，使用您選擇的衰減排名器計算衰減得分：

• 每個衰減排名器將原始數值轉換為 0-1 之間的規範化相關性分數。

• 衰減分數會根據項目與理想點的「距離」來表示其相關程度

具體的計算公式根據衰減排名器類型而有所不同。有關如何計算衰減分數的詳細資訊，請參閱高斯衰減、指數衰減、線性衰減的專用頁面。

第三階段：計算最終得分

最後，Milvus 結合規範化的相似度得分和衰減得分，產生最終的排名得分：

final_score = normalized_similarity_score × decay_score

在混合搜尋 (結合多向量領域) 的情況下，Milvus 取搜尋請求中最大的歸一化相似度得分：

final_score = max([normalized_score₁, normalized_score₂, ..., normalized_scoreₙ]) × decay_score

例如，在混合搜尋中，如果一篇研究論文的向量相似度得分為 0.82，而以 BM25 為基礎的文字檢索得分為 0.91，Milvus 會先使用 0.91 作為基本相似度得分，然後再套用衰減因子。

衰減排序的實際應用

讓我們來看看衰減排序在實際情境中的應用-以時間為基礎的衰減來搜尋「AI 研究論文」：

論文	向量相似度	標準化相似度得分	發表日期	衰減分數	最終得分	最終排名
論文 A	高分數	0.85 (COSINE)	2 週前	0.80	0.68	2
紙張 B	非常高	0.92 (COSINE)	6 個月前	0.45	0.41	3
紙張 C	中	0.75 (COSINE)	1 天前	0.98	0.74	1
紙張 D	中-高	0.76 (COSINE)	3 週之前	0.70	0.53	4

如果不進行衰變重排，根據純向量相似度 (0.92) 計算，論文 B 的排名最高。但是，如果使用衰減重排：

• 儘管相似度中等，論文 C 躍升至第 1 位，因為它是最近發表的論文 (昨天發表)。

• 儘管相似性極佳，論文 B 卻因為相對較舊而降到第 3 位。

• 論文 D 使用 L2 距離 (越低越好)，因此在應用衰減之前，其分數從 1.2 正態化為 0.76。

選擇正確的衰減排名器

Milvus 提供不同的衰減排名器 -gauss,exp,linear, 每種排名器都是針對特定的使用情況而設計的：

衰減排名器	特性	理想用例	範例情境
高斯 (gauss)	自然感覺的漸進式下降，適度延伸	需要平衡結果的一般搜尋 使用者對距離有直覺感覺的應用程式 當中等距離不應嚴重懲罰結果時	在餐廳搜尋中，3 公里外的優質餐廳仍可被發現，儘管排序低於附近的選擇
指數 (exp)	一開始快速下降，但會保持長尾	新聞饋送：新鮮度是關鍵 新鮮內容應佔主導的社交媒體 強烈偏好接近性，但特殊的遠距離項目應保持可見時	在新聞應用程式中，昨天的新聞排名遠高於一周前的內容，但高度相關的舊文章仍會出現
線性 (linear)	持續、可預測的下降，且有明確的分界線	有自然邊界的應用程式 有距離限制的服務 有到期日或明確臨界點的內容	在事件搜尋器中，超過兩週未來視窗的事件根本不會出現

有關每個衰減排名器如何計算分數和特定衰減模式的詳細資訊，請參閱專用文件：

• 高斯衰減

• 指數衰減

• 線性衰減

實施範例

衰減排名器可以應用在 Milvus 的標準向量搜尋和混合搜尋運算。以下是實現此功能的主要程式碼片段。

建立衰減排名器

要實現衰減排名，首先要定義一個具有適當配置的Function 物件：

from pymilvus import Function, FunctionType

# Create a decay function for timestamp-based decay
# Note: All time parameters must use the same unit as your collection data
decay_ranker = Function(
    name="time_decay",                  # Function identifier
    input_field_names=["timestamp"],    # Numeric field to use for decay
    function_type=FunctionType.RERANK,  # Must be set to RERANK for decay rankers
    params={
        "reranker": "decay",            # Specify decay reranker. Must be "decay"
        "function": "gauss",            # Choose decay function type: "gauss", "exp", or "linear"
        "origin": int(datetime.datetime(2025, 1, 15).timestamp()),    # Reference point (seconds)
        "scale": 7 * 24 * 60 * 60,      # 7 days in seconds (must match collection data unit)
        "offset": 24 * 60 * 60,         # 1 day no-decay zone (must match collection data unit)
        "decay": 0.5                    # Half score at scale distance
    }
)

import io.milvus.v2.service.vector.request.ranker.DecayRanker;

import java.time.ZoneId;
import java.time.ZonedDateTime;

ZonedDateTime zdt = ZonedDateTime.of(2025, 1, 25, 0, 0, 0, 0, ZoneId.systemDefault());

DecayRanker ranker = DecayRanker.builder()
        .name("time_decay")
        .inputFieldNames(Collections.singletonList("timestamp"))
        .function("gauss")
        .origin(zdt.toInstant().toEpochMilli())
        .scale(7 * 24 * 60 * 60)
        .offset(24 * 60 * 60)
        .decay(0.5)
        .build();

import {FunctionType } from "@zilliz/milvus2-sdk-node";

const decayRanker = {
  name: "time_decay",
  input_field_names: ["timestamp"],
  function_type: FunctionType.RERANK,
  params: {
    reranker: "decay",
    function: "gauss",
    origin: new Date(2025, 1, 15).getTime(),
    scale: 7 * 24 * 60 * 60,
    offset: 24 * 60 * 60,
    decay: 0.5,
  },
};

// go

# restful

參數	需要嗎？	說明	值/範例
name	是	執行搜尋時使用的功能識別碼。請選擇與您的使用情況相關的描述性名稱。	"time_decay"
input_field_names	是	用於計算衰減分數的數字欄位。決定哪個資料屬性將用於計算衰減（例如，時間戳記用於基於時間的衰減，坐標用於基於位置的衰減）。 必須是您的資料集中包含相關數值的欄位。支援 INT8/16/32/64、FLOAT、DOUBLE。	["timestamp"]
function_type	是	指定正在建立的函數類型。 必須設定為RERANK 。	FunctionType.RERANK
params.reranker	是	指定要使用的排名方法。 必須設定為"decay" 才能啟用遞減排名功能。	"decay"
params.function	是	指定要應用的數學衰減排名器。決定相關性下降的曲線形狀。 請參閱「選擇合適的遞減排序器」一節，以取得選擇適當函數的指引。	"gauss","exp", 或"linear"
params.origin	是	計算衰減分數的參考點。處於此值的項目可獲得最大相關性得分。 對於以時間為基礎的遞減，時間單位必須符合您的收集資料。	對於時間戳記：目前時間 (例如：int(time.time())) 對於地理位置：使用者目前的座標
params.scale	是	相關性下降到decay 值的距離或時間。控制相關性下降的速度。 對於以時間為基礎的遞減，時間單位必須符合您的收集資料。 較大的值會使相關性逐漸下降；較小的值則會使相關性急速下降。	對於時間：以秒為單位的週期（例如7 * 24 * 60 * 60 為 7 天） 對於距離： 公尺 (例如：5000 代表 5 公里)
params.offset	無	在origin 周圍建立「無衰減區」，讓項目保持滿分 (衰減分數 = 1.0)。 對於以時間為基礎的衰減，時間單位必須符合您的收集資料。 origin 此範圍內的項目可維持最大相關性。	對於時間：以秒為單位的週期 (例如：24 * 60 * 60 為 1 天) 對於距離：公尺 (例如：500 代表 500 公尺)
params.decay	無	scale 距離的分數值，控制曲線的陡度。較低的值會產生較陡的下降曲線；較高的值會產生較漸進的下降曲線。 必須介於 0 和 1 之間。	0.5 (預設值)

套用至標準向量搜尋

定義衰退排序器之後，您可以將它傳給ranker 參數，在搜尋作業時套用：

# Use the decay function in standard vector search
results = milvus_client.search(
    collection_name,
    data=[your_query_vector], # Replace with your query vector
    anns_field="vector_field",
    limit=10,
    output_fields=["document", "timestamp"],  # Include the decay field in outputs to see values
    ranker=decay_ranker,                      # Apply the decay ranker here
    consistency_level="Strong"
)

import io.milvus.v2.service.vector.request.SearchReq;
import io.milvus.v2.service.vector.response.SearchResp;
import io.milvus.v2.service.vector.request.data.EmbeddedText;

SearchReq searchReq = SearchReq.builder()
        .collectionName(COLLECTION_NAME)
        .data(Collections.singletonList(new EmbeddedText("search query")))
        .annsField("vector_field")
        .limit(10)
        .outputFields(Arrays.asList("document", "timestamp"))
        .functionScore(FunctionScore.builder()
                .addFunction(ranker)
                .build())
        .build();
SearchResp searchResp = client.search(searchReq);

const result = await milvusClient.search({
  collection_name: "collection_name",
  data: [your_query_vector], // Replace with your query vector
  anns_field: "dense",
  limit: 10,
  output_fields: ["document", "timestamp"],
  rerank: ranker,
  consistency_level: "Strong",
});

// go

# restful