TEI 排行榜Compatible with Milvus 2.6.x

TEI Ranker 利用 Hugging Face 的Text Embedding Inference (TEI)服務，透過語意重新排序來提升搜尋相關性。它代表了一種先進的搜尋結果排序方法，超越了傳統的向量相似性。

先決條件

在 Milvus 中實作 TEI Ranker 之前，請確保您擁有

• 具有VARCHAR 欄位的 Milvus 資料庫，其中包含要重新排序的文字。

• 具有重新排名功能的執行中 TEI 服務。有關設定 TEI 服務的詳細說明，請參閱TEI 官方文件。

建立 TEI Ranker 函式

要在您的 Milvus 應用程式中使用 TEI Ranker，請建立一個 Function 物件，指定重排的操作方式。這個函數將會傳給 Milvus 搜尋作業，以加強結果排名。

from pymilvus import MilvusClient, Function, FunctionType

# Connect to your Milvus server
client = MilvusClient(
    uri="http://localhost:19530"  # Replace with your Milvus server URI
)

# Configure TEI Ranker
tei_ranker = Function(
    name="tei_semantic_ranker",            # Unique identifier for your ranker
    input_field_names=["document"],        # VARCHAR field containing text to rerank
    function_type=FunctionType.RERANK,     # Must be RERANK for reranking functions
    params={
        "reranker": "model",               # Enables model-based reranking
        "provider": "tei",                 # Specifies TEI as the service provider
        "queries": ["renewable energy developments"],  # Query text for relevance evaluation
        "endpoint": "http://localhost:8080",  # Your TEI service URL
        "max_client_batch_size": 32,                    # Optional: batch size for processing (default: 32)
        "truncate": True,                # Optional: Truncate the inputs that are longer than the maximum supported size
        "truncation_direction": "Right",    # Optional: Direction to truncate the inputs
    }
)

import io.milvus.v2.client.ConnectConfig;
import io.milvus.v2.client.MilvusClientV2;
import io.milvus.common.clientenum.FunctionType;
import io.milvus.v2.service.collection.request.CreateCollectionReq;

MilvusClientV2 client = new MilvusClientV2(ConnectConfig.builder()
        .uri("http://localhost:19530")
        .build());

CreateCollectionReq.Function ranker = CreateCollectionReq.Function.builder()
        .functionType(FunctionType.RERANK)
        .name("vllm_semantic_ranker")
        .inputFieldNames(Collections.singletonList(NAME_FIELD))
        .param("reranker", "model")
        .param("provider", "tei")
        .param("queries", "[\"renewable energy developments\"]")
        .param("endpoint", "http://localhost:8080")
        .param("max_client_batch_size", "32")
        .param("truncate", "true")
        .param("truncation_direction", "Right")
        .build();
searchWithRanker(scientists, ranker);

// nodejs

// go

# restful

TEI 排序器特定參數

以下參數是 TEI 排序器的特定參數：

參數	需要嗎？	說明	值/範例
reranker	是	必須設定為"model" ，才能啟用模型重排。	"model"
provider	是	用於重排的模型服務提供者。	"tei"
queries	是	rerank 模型用來計算相關性分數的查詢字串清單。查詢字串的數量必須與您的搜尋作業中的查詢字串數量完全相同（即使使用查詢向量來取代文字），否則會報錯。	[「搜尋查詢」]
endpoint	是	您的 TEI 服務 URL。	"http://localhost:8080"
max_client_batch_size	否	由於模型服務可能無法一次處理所有資料，因此這會設定在多次請求中存取模型服務的批次大小。	32 (預設值)
truncate	否	是否截斷超過最大序列長度的輸入。如果False ，長輸入會產生錯誤。	True 或False
truncation_direction	否	當輸入太長時要截斷的方向： "Right" (預設)： 從序列末尾移除標記，直到符合最大支援大小為止。 "Left":標記會從序列的開始移除。	"Right" 或"Left"

套用至標準向量搜尋

將 TEI Ranker 應用於標準向量搜尋：

# Execute search with vLLM reranking
results = client.search(
    collection_name="your_collection",
    data=[your_query_vector],  # Replace with your query vector
    anns_field="dense_vector",                   # Vector field to search
    limit=5,                                     # Number of results to return
    output_fields=["document"],                  # Include text field for reranking
    ranker=tei_ranker,                         # Apply tei reranking
    consistency_level="Bounded"
)

import io.milvus.v2.common.ConsistencyLevel;
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("your_collection")
        .data(Arrays.asList(new EmbeddedText("AI Research Progress"), new EmbeddedText("What is AI")))
        .annsField("vector_field")
        .limit(10)
        .outputFields(Collections.singletonList("document"))
        .functionScore(FunctionScore.builder()
                .addFunction(ranker)
                .build())
        .consistencyLevel(ConsistencyLevel.BOUNDED)
        .build();
SearchResp searchResp = client.search(searchReq);

// nodejs

// go

# restful