衰减排名器概述Compatible with Milvus 2.6.x
在传统的向量搜索中，搜索结果的排名完全取决于向量的相似性--向量在数学空间中的匹配程度。但在实际应用中，真正相关的内容往往不仅仅取决于语义相似性。
考虑一下这些日常场景：
在新闻搜索中，昨天的文章应该比三年前的类似文章排名靠前
餐厅搜索器，优先考虑 5 分钟车程内的餐厅，而不是需要 30 分钟车程的餐厅
一个电子商务平台，即使流行产品与搜索查询的相似度稍低，也能提升它们的排名
这些场景都有一个共同的需求：平衡向量相似性与时间、距离或流行度等其他数字因素。
Milvus 的衰减排名器根据数值字段值调整搜索排名，从而满足了这一需求。它们可让您平衡向量相似性与数据的 "新鲜度"、"接近度 "或其他数值属性，从而创建更直观、与上下文更相关的搜索体验。
使用注意事项
衰减排名不能与分组搜索一起使用。
用于衰减排名的字段必须是数字（
INT8,INT16,INT32,INT64,FLOAT或DOUBLE）。每个衰减排序器只能使用一个数字字段。
时间单位一致性：使用基于时间的衰减排名时，
origin、scale和offset参数的单位必须与您的 Collections 数据中使用的单位一致：如果您的 Collections 以秒为单位存储时间戳，则所有参数都使用秒为单位
如果您的 Collections 以毫秒为单位存储时间戳，则所有参数均使用毫秒。
如果您的 Collections 以微秒为单位存储时间戳，则所有参数都使用微秒
工作原理
衰减排序将时间或地理距离等数字因素纳入排序过程，从而增强了传统的向量搜索。整个过程分为以下几个阶段
阶段 1：计算归一化的相似性得分
首先，Milvus 计算并归一化向量相似性得分，以确保比较的一致性：
对于L2和JACCARD距离指标（数值越小，表示相似度越高）：
normalized_score = 1.0 - (2 × arctan(score))/π这将距离转化为 0-1 之间的相似性分数，越高越好。
对于IP、COSINE 和BM25指标（分数越高表示匹配度越高）：直接使用分数，无需进行归一化处理。
第二阶段：计算衰减分数
接下来，Milvus 根据数值字段值（如时间戳或距离），使用您选择的衰减排名器计算衰减分数：
每个衰减排名器将原始数值转化为 0-1 之间的归一化相关性分数。
衰减分数表示一个项目与理想点的 "距离 "相关程度
具体计算公式因衰减排名器类型而异。有关如何计算衰减分数的详情，请参阅高斯衰减、指数衰减和线性衰减的专门页面。
第三阶段：计算最终得分
最后，Milvus 将归一化的相似度得分和衰减得分结合起来，得出最终排名得分：
final_score = normalized_similarity_score × decay_score
在混合搜索（结合多个向量场）的情况下，Milvus 取搜索请求中最大的归一化相似度得分：
final_score = max([normalized_score₁, normalized_score₂, ..., normalized_scoreₙ]) × decay_score
例如，在混合搜索中，如果一篇研究论文的向量相似度得分是 0.82，而基于 BM25 的文本检索得分是 0.91，那么 Milvus 在应用衰减因子之前，会先使用 0.91 作为基本相似度得分。
实际的衰减排名
让我们在实际场景中看看衰减排名--基于时间的衰减搜索"人工智能研究论文"：
在这个例子中，衰减得分反映了相关性随时间的推移而降低的情况--较新的论文得分接近 1.0，较老的论文得分较低。这些值是使用特定的衰减排序器计算得出的。有关详情，请参阅 "选择合适的衰减排名器"。
论文 |
向量相似度 |
归一化相似度得分 |
发表日期 |
衰减得分 |
最终得分 |
最终排名 |
|---|---|---|---|---|---|---|
论文 A |
高分 |
0.85 ( |
2 周前 |
0.80 |
0.68 |
2 |
纸张 B |
非常高 |
0.92 ( |
6 个月前 |
0.45 |
0.41 |
3 |
纸张 C |
中 |
0.75 ( |
1 天前 |
0.98 |
0.74 |
1 |
纸张 D |
中-高 |
0.76 ( |
3 周之前 |
0.70 |
0.53 |
4 |
如果不进行衰减重排，根据纯向量相似度（0.92），论文 B 的排名最高。然而，在应用了衰减重排后：
尽管相似度中等，论文 C 还是跃居第一，因为它是最近发表的（昨天发表的）。
论文 B 因发表时间较早，尽管相似度很高，但排名却降至第 3 位
论文 D 使用的是 L2 距离（越低越好），因此在应用衰减排序之前，其得分从 1.2 降为 0.76。
选择正确的衰减排序器
Milvus 提供不同的衰减排名器 -gauss,exp,linear ，每个排名器都是针对特定的使用情况而设计的：
衰减排名器 |
特征 |
理想的使用案例 |
示例场景 |
|---|---|---|---|
高斯 ( |
自然的渐进式下降，延伸适度 |
|
在餐厅搜索中，3 公里以外的优质餐厅仍然可以被发现，尽管排名低于附近的选择 |
指数 ( |
起初迅速减少，但保持长尾效应 |
|
在新闻应用程序中，昨天的新闻比一周前的内容排名要高得多，但高度相关的旧文章仍会出现 |
线性 ( |
持续、可预测的下降，有明确的分界线 |
|
在事件查找器中，超过两周未来窗口的事件根本不会出现 |
有关每个衰减排名器如何计算分数和具体衰减模式的详细信息，请参阅专用文档：
实施示例
衰减排名器可应用于 Milvus 中的标准向量搜索和混合搜索操作符。以下是实现这一功能的关键代码片段。
在使用衰减函数之前，必须先创建一个带有适当数值字段（如时间戳、距离等）的 Collection，这些数值字段将用于衰减计算。有关包括集合设置、Schema 定义和数据插入在内的完整工作示例，请参阅教程：在 Milvus 中实施基于时间的排名。
创建衰减排名器
要实现衰减排名，首先要定义一个具有适当配置的Function 对象：
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
参数 |
是否需要？ |
说明 |
值/示例 |
|---|---|---|---|
|
是 |
执行搜索时使用的函数标识符。选择一个与您的用例相关的描述性名称。 |
|
|
是 |
用于计算衰减分数的数字字段。确定用于计算衰减的数据属性（例如，基于时间的衰减使用时间戳，基于位置的衰减使用坐标）。 必须是 Collections 中包含相关数值的字段。支持 INT8/16/32/64、FLOAT、DOUBLE。 |
|
|
是 |
指定创建的函数类型。 对于所有衰减排名器，必须设置为 |
|
|
是 |
指定要使用的 Reranker 方法。 必须设置为 |
|
|
是 |
指定要应用的数学衰减排名器。确定相关性下降的曲线形状。 请参阅 "选择合适的衰减排序器"部分，了解如何选择合适的函数。 |
|
|
是 |
计算衰减分数的参考点。处于此值的项目会获得最大相关性分数。 对于基于时间的衰减，时间单位必须与您的 Collections 数据相匹配。 |
|
|
是 |
相关性下降到 对于基于时间的衰减，时间单位必须与您的 Collections 数据相匹配。 数值越大，相关性下降越慢；数值越小，相关性下降越快。 |
|
|
无 |
在 对于基于时间的衰减，时间单位必须与您的 Collections 数据一致。 在 |
|
|
无 |
必须介于 0 和 1 之间。 |
|
应用于标准向量搜索
定义衰减排序器后，您可以通过将其传递给ranker 参数，在搜索操作过程中应用该排序器：
# 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