[説明] このページは機械翻訳された日本語版です。内容に誤りがございましたら、報告していただけると助かります。

Boost Ranker

ベクトル間距離に基づいて計算されたセマンティック類似性のみに依存するのではなく、Boost Ranker を使用することで、検索結果に意味のある影響を与えることができます。メタデータフィルタリングを使用して検索結果を迅速に調整するのに最適です。

検索リクエストに Boost Ranker 関数が含まれる場合、Milvus は関数内のオプションのフィルタリング条件を使用して、検索結果候補の中から一致するものを見つけ、指定された重みを適用してそれらの一致のスコアをブーストし、最終結果における一致したエンティティのランキングの昇格または降格を支援します。

Boost Ranker を使用するタイミング

クロスエンコーダーモデルやフュージョンアルゴリズムに依存する他のランカーとは異なり、Boost Ranker はオプションのメタデータ駆動型ルールをランキングプロセスに直接注入するため、以下のシナリオにより適しています。

ユースケース	例	Boost Ranker が効果的な理由
ビジネス主導のコンテンツ優先順位付け	EC サイトの検索結果でプレミアム商品を強調表示する 高いユーザーエンゲージメント指標（閲覧数、いいね数、シェア数など）を持つコンテンツの可視性を高める 時間に敏感な検索アプリケーションで最新のコンテンツを優先する 認証済みまたは信頼できるソースからのコンテンツを優先する 完全一致フレーズや高関連性キーワードに一致する結果をブーストする	インデックスの再構築やベクトル埋め込みモデルの変更など、時間のかかる操作を行う必要なく、リアルタイムでオプションのメタデータフィルタを適用することで、検索結果内の特定のアイテムを即座に昇格または降格できます。このメカニズムにより、進化するビジネス要件に容易に適応できる柔軟で動的な検索ランキングが可能になります。
戦略的なコンテンツのランク低下	在庫が少ないアイテムを完全に削除せずに目立たなくする 検閲せずに不適切な可能性のある用語を含むコンテンツのランクを下げる 技術検索で古いドキュメントをアクセス可能なまま降格する マーケットプレイス検索で競合他社の製品の可視性を控えめに下げる 品質指標が低いコンテンツ（フォーマットの問題、短い長さなど）の関連性を低下させる

複数の Boost Ranker を組み合わせて、より動的で堅牢な重みベースのランキング戦略を実装することもできます。

Boost Ranker のメカニズム

以下の図は、Boost Ranker の主なワークフローを示しています。

データを挿入すると、Zilliz Cloud はそれをセグメントに分散します。検索時、各セグメントは候補のセットを返し、Zilliz Cloud はすべてのセグメントからこれらの候補をランキングして最終結果を生成します。検索リクエストに Boost Ranker が含まれる場合、Zilliz Cloud はそれを各セグメントの候補結果に適用し、潜在的な精度の損失を防ぎ、再現率を向上させます。

結果を確定する前に、Milvus はこれらの候補を以下のように Boost Ranker で処理します。

1. Boost Ranker で指定されたオプションのフィルタリング式を適用し、式に一致するエンティティを特定します。

2. Boost Ranker で指定された重みを適用し、特定されたエンティティのスコアをブーストします。

📘Notes

Boost Ranker はマルチベクトルハイブリッド検索では使用できません。

Boost Ranker の例

以下の例は、上位 5 件の最も関連性の高いエンティティを返す必要があり、abstract ドキュメントタイプのエンティティのスコアに重みを加えるシングルベクトル検索における Boost Ranker の使用を示しています。

1. セグメント内で検索結果候補を収集する。

   以下の表は、Milvus がエンティティを 2 つのセグメント（0001 と 0002）に分散し、各セグメントが 5 つの候補を返すことを想定しています。

   ID	DocType	Score	Rank	segment
   117	abstract	0.344	1	0001
   89	abstract	0.456	2	0001
   257	body	0.578	3	0001
   358	title	0.788	4	0001
   168	body	0.899	5	0001
   46	body	0.189	1	0002
   48	body	0265	2	0002
   561	abstract	0.366	3	0002
   344	abstract	0.444	4	0002
   276	abstract	0.845	5	0002

2. Boost Ranker で指定されたフィルタリング式を適用する (doctype='abstract')。

   以下の表の DocType フィールドに示されるように、Milvus は doctype が abstract に設定されているすべてのエンティティをマークし、さらなる処理を行います。

   ID	DocType	Score	Rank	segment
   117	abstract	0.344	1	0001
   89	abstract	0.456	2	0001
   257	body	0.578	3	0001
   358	title	0.788	4	0001
   168	body	0.899	5	0001
   46	body	0.189	1	0002
   48	body	0265	2	0002
   561	abstract	0.366	3	0002
   344	abstract	0.444	4	0002
   276	abstract	0.845	5	0002

3. Boost Ranker で指定された重みを適用する (weight=0.5)。

   前のステップで特定されたすべてのエンティティは、Boost Ranker で指定された重みを乗算され、その結果ランクが変化します。

   ID	DocType	Score	Weighted Score (= score x weight)	Rank	segment
   117	abstract	0.344	0.172	1	0001
   89	abstract	0.456	0.228	2	0001
   257	body	0.578	0.578	3	0001
   358	title	0.788	0.788	4	0001
   168	body	0.899	0.899	5	0001
   561	abstract	0.366	0.183	1	0002
   46	body	0.189	0.189	2	0002
   344	abstract	0.444	0.222	3	0002
   48	body	0.265	0.265	4	0002
   276	abstract	0.845	0.423	5	0002

   📘Notes

   重みは、ユーザーが選択する浮動小数点数である必要があります。上記の例のように、スコアが小さいほど関連性が高い場合は、1 未満の重みを使用してください。それ以外の場合は、1 より大きい重みを使用してください。

4. 重み付きスコアに基づいてすべてのセグメントから候補を集約し、結果を確定する。

   ID	DocType	Score	Weighted Score	Rank	segment
   117	abstract	0.344	0.172	1	0001
   561	abstract	0.366	0.183	2	0002
   46	body	0.189	0.189	3	0002
   344	abstract	0.444	0.222	4	0002
   89	abstract	0.456	0.228	5	0001

Boost Ranker の使用方法

このセクションでは、Boost Ranker を使用してシングルベクトル検索の結果に影響を与える方法の例を示します。

Boost Ranker の作成

Boost Ranker を検索リクエストのリランカーとして渡す前に、以下のように Boost Ranker をリランキング関数として適切に定義する必要があります。

Python

from pymilvus import Function, FunctionType

rerank = Function(
    name="boost",
    input_field_names=[], # Must be an empty list
    function_type=FunctionType.RERANK,
    params={
        "reranker": "boost",
        "filter": "doctype == 'abstract'",
        "random_score": { 
            "seed": 126,
            "field": "id"
        },
        "weight": 0.5
    }
)

Java

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

BoostRanker rerank = BoostRanker.builder()
        .name("boost")
        .filter("doctype == \"abstract\"")
        .weight(5.0f)
        .randomScoreField("id")
        .randomScoreSeed(126)
        .build();

Go

// go

NodeJS

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

const rerank = {
  name: "boost",
  input_field_names: [],
  type: FunctionType.RERANK,
  params: {
    reranker: "boost",
    filter: "doctype == 'abstract'",
    random_score: {
      seed: 126,
      field: "id",
    },
    weight: 0.5,
  },
};

cURL

# restful

パラメータ	必須ですか？	説明	値/例
name	はい	この関数の一意の識別子	"boost"
input_field_names	はい	関数を適用するベクトルフィールドのリスト（Boost Ranker の場合は空である必要があります）	[]
function_type	はい	呼び出す関数のタイプ。再ランキング戦略を指定するには RERANK を使用します	FunctionType.RERANK
params.reranker	はい	再ランカーのタイプを指定します。 Boost Ranker を使用するには、boost に設定する必要があります。	"boost"
params.weight	はい	生の検索結果内の一致するエンティティのスコアに掛けられる重みを指定します。 値は浮動小数点数である必要があります。 一致するエンティティの重要性を強調するには、スコアをブーストする値に設定します。 一致するエンティティを降格させるには、このパラメータにスコアを下げる値を割り当てます。	1
params.filter	いいえ	検索結果のエンティティの中からエンティティをマッチさせるために使用されるフィルター式を指定します。フィルタリングの説明に記載されている任意の有効な基本フィルター式を使用できます。 注：==、>、または < などの基本演算子のみを使用してください。text_match や phrase_match などの高度な演算子を使用すると、検索パフォーマンスが低下します。	"doctype == 'abstract'"
params.random_score	いいえ	0 から 1 の間の値をランダムに生成するランダム関数を指定します。次の 2 つのオプション引数があります： seed (数値) 擬似乱数生成器 (PRNG) を開始するために使用される初期値を指定します。 field (文字列) 乱数生成におけるランダム因子として使用されるフィールドの名前を指定します。一意の値を持つフィールドで十分です。 同じシード値とフィールド値を使用して世代間の一貫性を確保するため、seed と field の両方を設定することをお勧めします。	{"seed": 126, "field": "id"}

単一の Boost Ranker を使用した検索

Boost Ranker 関数の準備が整ったら、検索リクエストでそれを参照できます。以下の例では、id、vector、および doctype というフィールドを持つコレクションがすでに作成されていることを前提としています。

Python

from pymilvus import MilvusClient

# Connect to the Milvus server
client = MilvusClient(
    uri="YOUR_CLUSTER_ENDPOINT",
    token="YOUR_CLUSTER_TOKEN"
)

# Assume you have a collection set up

# Conduct a similarity search using the created ranker
client.search(
    collection_name="my_collection",
    data=[[-0.619954382375778, 0.4479436794798608, -0.17493894838751745, -0.4248030059917294, -0.8648452746018911]],
    anns_field="vector",
    params={},
    output_field=["doctype"],
    ranker=rerank
)

Java

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

MilvusClientV2 client = new MilvusClientV2(ConnectConfig.builder()
        .uri("YOUR_CLUSTER_ENDPOINT")
        .token("YOUR_CLUSTER_TOKEN")
        .build());
        
SearchResp searchReq = client.search(SearchReq.builder()
        .collectionName("my_collection")
        .data(Collections.singletonList(new FloatVec(new float[]{-0.619954f, 0.447943f, -0.174938f, -0.424803f, -0.864845f})))
        .annsField("vector")
        .outputFields(Collections.singletonList("doctype"))
        .functionScore(FunctionScore.builder()
                .addFunction(rerank)
                .build())
        .build());
SearchResp searchResp = client.search(searchReq);

Go

// go

NodeJS

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

// Connect to the Milvus server
const client = new MilvusClient({
  address: 'YOUR_CLUSTER_ENDPOINT',
  token: 'YOUR_CLUSTER_TOKEN'
});

// Assume you have a collection set up

// Conduct a similarity search
const searchResults = await client.search({
  collection_name: 'my_collection',
  data: [-0.619954382375778, 0.4479436794798608, -0.17493894838751745, -0.4248030059917294, -0.8648452746018911],
  anns_field: 'vector',
  output_fields: ['doctype'],
  rerank: rerank,
});

console.log('Search results:', searchResults);

cURL

# restful

Search with multiple Boost Rankers

単一の検索で複数の Boost Ranker を組み合わせて、検索結果に影響を与えることができます。これを行うには、複数の Boost Ranker を作成し、FunctionScore インスタンスでそれらを参照して、検索リクエストのランカーとして FunctionScore インスタンスを使用します。

以下の例では、0.8 から 1.2 の間の重みを適用することで、特定されたすべてのエンティティのスコアを変更する方法を示しています。

Python

from pymilvus import MilvusClient, Function, FunctionType, FunctionScore

# Create a Boost Ranker with a fixed weight
fix_weight_ranker = Function(
    name="boost",
    input_field_names=[], # Must be an empty list
    function_type=FunctionType.RERANK,
    params={
        "reranker": "boost",
        "weight": 0.8
    }
)

# Create a Boost Ranker with a randomly generated weight between 0 and 0.4
random_weight_ranker = Function(
    name="boost",
    input_field_names=[], # Must be an empty list
    function_type=FunctionType.RERANK,
    params={
        "reranker": "boost",
        "random_score": {
            "seed": 126,
        },
        "weight": 0.4
    }
)

# Create a Function Score
ranker = FunctionScore(
    functions=[
        fix_weight_ranker, 
        random_weight_ranker
    ],
    params={
        "boost_mode": "Multiply",
        "function_mode": "Sum"
    }
)

# Conduct a similarity search using the created Function Score
client.search(
    collection_name="my_collection",
    data=[[-0.619954382375778, 0.4479436794798608, -0.17493894838751745, -0.4248030059917294, -0.8648452746018911]],
    anns_field="vector",
    params={},
    output_field=["doctype"],
    ranker=ranker
)

Java

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

CreateCollectionReq.Function fixWeightRanker = CreateCollectionReq.Function.builder()
                 .functionType(FunctionType.RERANK)
                 .name("boost")
                 .param("reranker", "boost")
                 .param("weight", "0.8")
                 .build();
                 
CreateCollectionReq.Function randomWeightRanker = CreateCollectionReq.Function.builder()
                 .functionType(FunctionType.RERANK)
                 .name("boost")
                 .param("reranker", "boost")
                 .param("weight", "0.4")
                 .param("random_score", "{\"seed\": 126}")
                 .build();

Map<String, String> params = new HashMap<>();
params.put("boost_mode","Multiply");
params.put("function_mode","Sum");     
FunctionScore ranker = FunctionScore.builder()
                 .addFunction(fixWeightRanker)
                 .addFunction(randomWeightRanker)
                 .params(params)
                 .build()

SearchResp searchReq = client.search(SearchReq.builder()
                 .collectionName("my_collection")
                 .data(Collections.singletonList(new FloatVec(new float[]{-0.619954f, 0.447943f, -0.174938f, -0.424803f, -0.864845f})))
                 .annsField("vector")
                 .outputFields(Collections.singletonList("doctype"))
                 .addFunction(ranker)
                 .build());
SearchResp searchResp = client.search(searchReq);

Go

// go

NodeJS

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

const fix_weight_ranker = {
  name: "boost",
  input_field_names: [],
  type: FunctionType.RERANK,
  params: {
    reranker: "boost",
    weight: 0.8,
  },
};

const random_weight_ranker = {
  name: "boost",
  input_field_names: [],
  type: FunctionType.RERANK,
  params: {
    reranker: "boost",
    random_score: {
      seed: 126,
    },
    weight: 0.4,
  },
};

const ranker = {
  functions: [fix_weight_ranker, random_weight_ranker],
  params: {
    boost_mode: "Multiply",
    function_mode: "Sum",
  },
};

await client.search({
  collection_name: "my_collection",
  data: [[-0.619954382375778, 0.4479436794798608, -0.17493894838751745, -0.4248030059917294, -0.8648452746018911]],
  anns_field: "vector",
  params: {},
  output_field: ["doctype"],
  ranker: ranker
});

cURL

# restful

具体的には、2 つの Boost Ranker があります。一方は検出されたすべてのエンティティに固定の重みを適用し、もう一方はランダムな重みを割り当てます。その後、これらの 2 つのランカーを FunctionScore で参照し、重みが検出されたエンティティのスコアにどのように影響するかを定義します。

以下の表は、FunctionScore インスタンスを作成するために必要なパラメータの一覧です。

パラメータ	必須ですか？	説明	値/例
functions	はい	対象となるランカーの名前をリストで指定します。	["fix_weight_ranker", "random_weight_ranker"]
params.boost_mode	いいえ	指定された重みが一致するエンティティのスコアにどのように影響するかを指定します。 可能な値は次のとおりです。 Multiply 重み付きの値が、一致するエンティティの元のスコアに指定された重みを掛けたものに等しいことを示します。 これがデフォルト値です。 Sum 重み付きの値が、一致するエンティティの元のスコアと指定された重みの和に等しいことを示します。	"Sum"
params.function_mode	いいえ	さまざまな Boost Ranker からの重み付き値をどのように処理するかを指定します。 可能な値は次のとおりです。 Multiply 一致するエンティティの最終スコアが、すべての Boost Ranker からの重み付き値の積に等しいことを示します。 これがデフォルト値です。 Sum 一致するエンティティの最終スコアが、すべての Boost Ranker からの重み付き値の和に等しいことを示します。	"Sum"