減衰ランカー
この章では、特定のエンティティの類似度スコアが特定の数値フィールドの値に応じて減少するという考え方に基づいた動的ランク付け方法を使用する減衰ランカーについて説明します。これにより、他のエンティティが目立つようになります。
Zilliz Cloudは以下の3つの減衰ランカーのタイプをサポートしています：
これらの減衰ランカーを使用すると、検索結果のランキングを微調整して、時間、距離、または他の数値的側面に基づいて結果を調整できます。
Decay Ranker Overview [READ MORE]
In traditional vector search, results are ranked purely by vector similarity—how closely vectors match in mathematical space. But in real-world applications, what makes content truly relevant often depends on more than just semantic similarity.
ガウス減衰 [READ MORE]
ガウス減衰は、通常は正規減衰としても知られており、検索結果に最も自然に感じられる調整を提供します。距離とともに徐々にぼやけていく人間の視界のように、ガウス減衰は滑らかなベル曲線を作成し、項目が理想的なポイントから離れるにつれて関連性を穏やかに低下させます。このアプローチは、好ましい範囲のわずかに外側にある項目に厳しくペナルティを与えることなくバランスの取れた減衰が必要で、それでも遠く離れた項目の関連性を大幅に削減したい場合に理想的です。
指数減衰 [READ MORE]
指数減衰は、検索結果で急激な初期降下とその後に続く長いテールを作成します。ニュースサイクルのように、関連性が最初は急速に低下するが、一部のストーリーは時間とともに重要性を維持する場合、指数減衰は理想的な範囲外にあるアイテムに厳しいペナルティを適用しつつ、遠く離れたアイテムの発見性を維持します。このアプローチは、近接性や新しさを強く優先したいが、さらに遠くにある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、検索結果で絶対ゼロ点で終了する直線的な減少を作成します。今後のイベントのカウントダウンのように関連性がイベントの通過まで徐々に薄れていくように、線形減衰はアイテムが理想的なポイントから離れるにつれて予測可能で一定の減少を適用し、最終的には完全に消滅します。このアプローチは、明確なカットオフを持つ一貫した減衰率が必要な場合に理想的です。これにより、ある境界を超えるアイテムが結果から完全に除外されます。
チュートリアル：時間ベースのランキングを実装する [READ MORE]
多くの検索アプリケーションでは、コンテンツの新鮮さは関連性と同様に重要です。ニュース記事、商品一覧、ソーシャルメディア投稿、研究論文はすべて、セマンティックな関連性と最新性のバランスを取ったランキングシステムの恩恵を受けます。このチュートリアルでは、Zilliz Cloudで減衰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説明します。