加權排名器

Weighted Ranker 可透過為每個搜尋路徑指定不同的重要性權重，智慧地結合多個搜尋路徑的結果並排定優先順序。與技藝高超的廚師平衡多種材料以創造完美菜餚的方式類似，Weighted Ranker 平衡不同的搜尋結果，以提供最相關的結合結果。當您在多個向量領域或模式之間進行搜尋時，如果某些領域對最終排名的貢獻應該比其他領域更大，那麼這種方法就是最理想的選擇。

何時使用加權排名器

Weighted Ranker 專門設計用於混合搜尋的情況，在這種情況下，您需要結合來自多個向量搜尋路徑的結果。它對以下情況特別有效

使用案例	範例	為什麼加權排名器運作良好
電子商務搜尋	結合圖片相似度與文字描述的產品搜尋	允許零售商優先處理時尚商品的視覺相似性，同時強調技術產品的文字說明
媒體內容搜尋	同時使用視覺特徵和音訊謄本的視訊檢索	根據查詢意圖平衡視覺內容與口語對話的重要性
文件檢索	針對不同部分使用多重嵌入的企業文件搜尋	在考慮全文嵌入的同時，給予標題和摘要嵌入較高的權重

如果您的混合搜尋應用需要結合多個搜尋路徑，同時控制它們的相對重要性，Weighted Ranker 就是您的理想選擇。

加權排名機制

WeightedRanker 策略的主要工作流程如下：

1. 收集搜尋分數：收集向量搜尋每條路徑的結果和分數 (score_1, score_2)。

2. Score Normalization（分數規範化）：每次搜尋可能會使用不同的相似度指標，造成不同的分數分佈。例如，使用 Inner Product (IP) 作為相似度類型可能會產生 [-∞,+∞] 的分數範圍，而使用 Euclidean distance (L2) 則會產生 [0,+∞] 的分數範圍。由於不同搜尋的分數範圍各異，無法直接比較，因此有必要將各搜尋路徑的分數歸一化。一般而言，arctan 函數會將分數轉換成 [0, 1] 之間的範圍 (score_1_normalized, score_2_normalized)。分數越接近 1 表示相似度越高。

3. 指定權重：根據分配給不同向量領域的重要性，將權重 (wi) 分配給歸一化的分數 (score_1_normalized, score_2_normalized)。每條路徑的權重範圍應該在 [0,1] 之間。所得的加權分數為 score_1_weighted 及 score_2_weighted。

4. 合併分數：將加權分數 (score_1_weighted, score_2_weighted) 由高到低排序，產生最後的一組分數 (score_final)。

加權排名器

加權排名器範例

本範例展示了一個涉及圖片和文字的多模式混合搜尋 (topK=5)，並說明 WeightedRanker 策略如何將兩個 ANN 搜尋的結果重新排序。

• 圖像的 ANN 搜尋結果 （topK=5）：

  ID	得分 (影像)
  101	0.92
  203	0.88
  150	0.85
  198	0.83
  175	0.8

• 文本的 ANN 檢索結果（topK=5）： ID

  ID	分數 (文字)
  198	0.91
  101	0.87
  110	0.85
  175	0.82
  250	0.78

• 使用 WeightedRanker 為圖片和文字搜尋結果指定權重。假設影像 ANN 搜尋的權重為 0.6，文字搜尋的權重為 0.4。

  ID	得分 (影像)	得分（文字）	加權得分
  101	0.92	0.87	0.6×0.92+0.4×0.87=0.90
  203	0.88	不適用	0.6×0.88+0.4×0=0.528
  150	0.85	不適用	0.6×0.85+0.4×0=0.51
  198	0.83	0.91	0.6×0.83+0.4×0.91=0.86
  175	0.80	0.82	0.6×0.80+0.4×0.82=0.81
  110	不在影像中	0.85	0.6×0+0.4×0.85=0.34
  250	不在影像中	0.78	0.6×0+0.4×0.78=0.312

• 重排後的最終結果（topK=5):

  排名	ID	最終得分
  1	101	0.90
  2	198	0.86
  3	175	0.81
  4	203	0.528
  5	150	0.51

使用加權排名器

使用 WeightedRanker 策略時，必須輸入權重值。輸入的權重值數量應對應於混合搜索中基本 ANN 搜索請求的數量。輸入的權重值應在 [0,1] 的範圍內，值越接近 1 表示重要性越高。

建立加權排名器

例如，假設混合搜尋中有兩個基本 ANN 搜尋請求：文字搜尋和圖像搜尋。如果文字搜尋被視為更重要，就應該給予較大的權重。

from pymilvus import Function, FunctionType

rerank = Function(
    name="weight",
    input_field_names=[], # Must be an empty list
    function_type=FunctionType.RERANK,
    params={
        "reranker": "weighted", 
        "weights": [0.1, 0.9],
        "norm_score": True  # Optional
    }
)

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

CreateCollectionReq.Function rerank = CreateCollectionReq.Function.builder()
                .name("weight")
                .functionType(FunctionType.RERANK)
                .param("reranker", "weighted")
                .param("weights", "[0.1, 0.9]")
                .param("norm_score", "true")
                .build();

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

const rerank = {
    name: "weight",
    input_field_names: [],
    function_type: FunctionType.RERANK,
    params: {
        reranker: "weighted",
        weights: [0.1, 0.9],
        norm_score: true
    }
};

// Go

# Restful

參數	需要嗎？	說明	值/範例
name	是	此功能的唯一識別碼	"weight"
input_field_names	是	要應用函式的向量欄位清單（對於加權排序器必須為空）	[]
function_type	是	要調用的函數類型；使用RERANK 指定重排策略	FunctionType.RERANK
params.reranker	是	指定要使用的排序方法。 必須設定為weighted 才能使用 Weighted Ranker。	"weighted"
params.weights	是	每個搜尋路徑對應的權重陣列；值∈ [0,1]。 如需詳細資訊，請參閱Weighted Ranker 的機制。	[0.1, 0.9]
params.norm_score	否	是否在加權之前對原始分數進行規範化（使用 arctan）。 詳情請參閱加權排名機制。	True

應用於混合搜尋

Weighted Ranker 專為結合多向量領域的混合搜尋作業而設計。執行混合搜尋時，您必須指定每條搜尋路徑的權重：

from pymilvus import MilvusClient, AnnSearchRequest

# Connect to Milvus server
milvus_client = MilvusClient(uri="http://localhost:19530")

# Assume you have a collection setup

# Define text vector search request
text_search = AnnSearchRequest(
    data=["modern dining table"],
    anns_field="text_vector",
    param={},
    limit=10
)

# Define image vector search request
image_search = AnnSearchRequest(
    data=[image_embedding],  # Image embedding vector
    anns_field="image_vector",
    param={},
    limit=10
)

# Apply Weighted Ranker to product hybrid search
# Text search has 0.8 weight, image search has 0.3 weight
hybrid_results = milvus_client.hybrid_search(
    collection_name,
    [text_search, image_search],  # Multiple search requests
    ranker=rerank,  # Apply the weighted ranker
    limit=10,
    output_fields=["product_name", "price", "category"]
)

import io.milvus.v2.client.ConnectConfig;
import io.milvus.v2.client.MilvusClientV2;
import io.milvus.v2.service.vector.request.AnnSearchReq;
import io.milvus.v2.service.vector.request.HybridSearchReq;
import io.milvus.v2.service.vector.response.SearchResp;
import io.milvus.v2.service.vector.request.data.EmbeddedText;
import io.milvus.v2.service.vector.request.data.FloatVec;

MilvusClientV2 client = new MilvusClientV2(ConnectConfig.builder()
        .uri("http://localhost:19530")
        .build());
        
List<AnnSearchReq> searchRequests = new ArrayList<>();
searchRequests.add(AnnSearchReq.builder()
        .vectorFieldName("text_vector")
        .vectors(Collections.singletonList(new EmbeddedText("\"modern dining table\"")))
        .limit(10)
        .build());
searchRequests.add(AnnSearchReq.builder()
        .vectorFieldName("image_vector")
        .vectors(Collections.singletonList(new FloatVec(imageEmbedding)))
        .limit(10)
        .build());
        
HybridSearchReq hybridSearchReq = HybridSearchReq.builder()
                .collectionName(COLLECTION_NAME)
                .searchRequests(searchRequests)
                .ranker(ranker)
                .limit(10)
                .outputFields(Arrays.asList("product_name", "price", "category"))
                .build();
SearchResp searchResp = client.hybridSearch(hybridSearchReq);

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

const milvusClient = new MilvusClient({ address: "http://localhost:19530" });

const text_search = {
  data: ["modern dining table"],
  anns_field: "text_vector",
  param: {},
  limit: 10,
};

const image_search = {
  data: [image_embedding],
  anns_field: "image_vector",
  param: {},
  limit: 10,
};

const rerank = {
  name: "weight",
  input_field_names: [],
  function_type: FunctionType.RERANK,
  params: {
    reranker: "weighted",
    weights: [0.1, 0.9],
    norm_score: true,
  },
};

const search = await milvusClient.search({
  collection_name: collection_name,
  limit: 10,
  data: [text_search, image_search],
  rerank: rerank,
  output_fields = ["product_name", "price", "category"],
});

// go

# restful

如需混合搜尋的詳細資訊，請參閱多向量混合搜尋。