Decay Ranker
この章では、Decay Ranker（減衰ランカー）について説明します。Decay Ranker は動的ランキング手法を用いて、特定の数値フィールドの値に応じて特定エンティティの類似度スコアを減衰させることで、他のエンティティを目立たせます。
Decay Ranker の概要 [READ MORE]
従来のベクトル検索では、結果はベクトルの類似度、つまり数学的空間におけるベクトルの一致度のみによってランク付けされます。しかし、実際のアプリケーションにおいては、コンテンツの真の関連性は意味的類似度だけでなく、他の要因にも依存することが多くあります。
ガウス減衰 [READ MORE]
正規減衰とも呼ばれるガウス減衰は、検索結果に対して最も自然な調整を実現します。距離が遠くなるにつれて徐々にぼやける人間の視覚と同様に、ガウス減衰は滑らかなベル型の曲線を描き、理想点から離れるアイテムの関連性を穏やかに低下させます。この手法は、希望範囲をわずかに超えるアイテムを厳しく罰することなくバランスよく減衰させつつ、遠方のアイテムの関連性は大幅に低減したい場合に最適です。
指数減衰 [READ MORE]
指数減衰は、検索結果において初期に急激な低下が生じ、その後に長い尾部が続くようにします。これは、関連性が最初は急速に低下するものの、一部のストーリーは時間とともに重要性を保つニュース速報のサイクルに似ています。指数減衰は、理想的な範囲をわずかに超えたアイテムに厳しいペナルティを課しつつ、遠方のアイテムも発見可能に保ちます。このアプローチは、近接性や最新性を強く優先したい場合でも、より遠方のオプションを完全に排除したくない場合に最適です。
線形減衰 [READ MORE]
線形減衰は、検索結果において絶対的なゼロ点で終了する直線的な減少を生み出します。イベントのカウントダウンが経過とともに関連性が徐々に薄れ、イベント終了時には完全に消えるのと同様に、線形減衰はアイテムが理想点から遠ざかるにつれて、関連性を予測可能かつ一定の割合で減少させ、最終的に対象外とします。この手法は、一貫した減衰率と明確なカットオフを必要とし、特定の境界を超えたアイテムを結果から完全に除外したい場合に最適です。
チュートリアル：時間ベースのランキングの実装 [READ MORE]
多くの検索アプリケーションにおいて、コンテンツの新しさは関連性と同様に重要です。ニュース記事、商品リスト、ソーシャルメディアの投稿、研究論文などはすべて、意味的な関連性と新しさをバランスよく考慮したランキングシステムから恩恵を受けます。このチュートリアルでは、Zilliz Cloud でデケイランカーを使用して時間ベースのランキングを実装する方法を示します。