メインコンテンツまでスキップ
バージョン: User Guides (BYOC)

チュートリアル：時間ベースのランキングを実装する

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。

減衰ランカーの理解​

減衰ランカーを使用すると、基準点に対する数値（タイムスタンプなど）に基づいてドキュメントをブーストまたはペナルティを適用できます。時間ベースのランキングでは、意味的関連性が類似している場合でも、新しいドキュメントが古いドキュメントよりも高いスコアを受け取ることができます。

Zilliz Cloudは3つのタイプの減衰ランカーをサポートしています：

  • ガウス (gauss)：滑らかで徐々の減衰を提供するベル型曲線

  • 指数 (exp)：最近のコンテンツを強く強調するためのシャープな初期ドロップオフを作成

  • 線形 (linear)：予測可能で理解しやすい直線的な減衰

各ランカーには、さまざまなユースケースに適した異なる特徴があります。詳細については、減衰ランカー概要を参照してください。

時間認識型検索システムの構築​

関連性と時間の両方に基づいてコンテンツを効果的にランク付けする方法を示すニュース記事検索システムを作成します。実装から始めましょう：

import datetime
import matplotlib.pyplot as plt
import numpy as np
from pymilvus import (
    MilvusClient,
    DataType,
    Function,
    FunctionType,
    AnnSearchRequest,
)

# Milvusへの接続を作成
milvus_client = MilvusClient("YOUR_CLUSTER_ENDPOINT")

# コレクション名を定義
collection_name = "news_articles_tutorial"

# 同じ名前の既存のコレクションをクリーンアップ
milvus_client.drop_collection(collection_name)

ステップ1: スキーマの設計​

時間ベースの検索では、コンテンツと共に公開日時のタイムスタンプを保存する必要があります：

# コンテンツと時間情報用のフィールドを持つスキーマを作成
schema = milvus_client.create_schema(enable_dynamic_field=False, auto_id=True)
schema.add_field("id", DataType.INT64, is_primary=True)
schema.add_field("headline", DataType.VARCHAR, max_length=200, enable_analyzer=True)
schema.add_field("content", DataType.VARCHAR, max_length=2000, enable_analyzer=True)
schema.add_field("dense", DataType.FLOAT_VECTOR, dim=1024)  # 密埋め込み用
schema.add_field("sparse_vector", DataType.SPARSE_FLOAT_VECTOR)  # スパース（BM25）検索用
schema.add_field("publish_date", DataType.INT64)  # 減衰ランキング用のタイムスタンプ

ステップ2: 埋め込み関数の設定​

密（セマンティック）およびスパース（キーワード）の両方の埋め込み関数を構成します：

# セマンティック検索用の埋め込み関数を作成
text_embedding_function = Function(
    name="siliconflow_embedding",
    function_type=FunctionType.TEXTEMBEDDING,
    input_field_names=["content"],
    output_field_names=["dense"],
    params={
        "provider": "siliconflow",
        "model_name": "BAAI/bge-large-en-v1.5",
        "credential": "your-api-key"
    }
)
schema.add_function(text_embedding_function)

# キーワード検索用BM25関数を作成
bm25_function = Function(
    name="bm25",
    input_field_names=["content"],
    output_field_names=["sparse_vector"],
    function_type=FunctionType.BM25,
)
schema.add_function(bm25_function)

ステップ3: インデックスパラメータの構成​

高速ベクトル検索のための適切なインデックスパラメータを設定しましょう：

# 高速検索のためのインデックスを設定
index_params = milvus_client.prepare_index_params()

# 密ベクトルインデックス
index_params.add_index(field_name="dense", index_type="AUTOINDEX", metric_type="L2")

# スパースベクトルインデックス
index_params.add_index(
    field_name="sparse_vector",
    index_name="sparse_inverted_index",
    index_type="AUTOINDEX",
    metric_type="BM25",
)

# スキーマとインデックスを持つコレクションを作成
milvus_client.create_collection(
    collection_name,
    schema=schema,
    index_params=index_params,
    consistency_level="Strong"
)

ステップ4: サンプルデータの準備​

このチュートリアルでは、異なる公開日を持つニュース記事セットを作成します。減衰ランキング効果を明確に示すために、ほぼ同じ内容だが異なる日付を持つ記事ペアを含めていることに注意してください：

# 現在時刻を取得
current_time = int(datetime.datetime.now().timestamp())
current_date = datetime.datetime.fromtimestamp(current_time)
print(f"現在の時刻: {current_date.strftime('%Y-%m-%d %H:%M:%S')}")

# 異なる日付にわたるサンプルニュース記事
articles = [
    {
        "headline": "AIブレークスルーが医療診断の進歩を可能に",
        "content": "研究者たちはAIベースの医療診断における主要なブレークスルーを発表し、まれな疾患のより高速で正確な検出を可能にしました。",
        "publish_date": int((current_date - datetime.timedelta(days=120)).timestamp())  # 4ヶ月前
    },
    {
        "headline": "テック大手が新しいAIレースで競争",
        "content": "主要テクノロジー企業は、最も高度な人工知能システムを開発するための新しいレースに数十億ドルを投資しています。",
        "publish_date": int((current_date - datetime.timedelta(days=60)).timestamp())  # 2ヶ月前
    },
    {
        "headline": "国際機関がAI倫理ガイドラインを発表",
        "content": "国際的な組織コンソーシアムが、人工知能の開発と展開における倫理的懸念に対処する新しいガイドラインを発表しました。",
        "publish_date": int((current_date - datetime.timedelta(days=30)).timestamp())  # 1ヶ月前
    },
    {
        "headline": "最新の深層学習モデルが顕著な進歩を示す",
        "content": "最新世代の深層学習モデルは、言語理解と生成において前人未到の能力を示しています。",
        "publish_date": int((current_date - datetime.timedelta(days=15)).timestamp())  # 15日前
    },
    # 内容が同一だが日付の異なる記事
    {
        "headline": "1月に発表されたAI研究の進歩",
        "content": "人工知能分野での画期的な研究が複数ドメインにわたる顕著な進歩を示しています。",
        "publish_date": int((current_date - datetime.timedelta(days=90)).timestamp())  # 3ヶ月前
    },
    {
        "headline": "今週発表された新しいAI研究成果",
        "content": "人工知能分野での画期的な研究が複数ドメインにわたる顕著な進歩を示しています。",
        "publish_date": int((current_date - datetime.timedelta(days=5)).timestamp())  # 最近 - 5日前
    },
    {
        "headline": "昨日発表されたAI開発の更新",
        "content": "人工知能研究の最近の開発は、さまざまなアプリケーションで有望な結果を示しています。",
        "publish_date": int((current_date - datetime.timedelta(days=1)).timestamp())  # つい昨日
    },
]

# 記事をコレクションに挿入
milvus_client.insert(collection_name, articles)
print(f"{len(articles)}つの記事をコレクションに挿入しました")

ステップ5: 異なる減衰ランカーの構成​

次に、異なるパラメータを持つ3つの異なる減衰ランカーを作成し、その違いを強調します：

# 現在時刻を基準点として使用
print(f"現在時刻を基準点として使用")

# ガウス減衰ランカーを作成
gaussian_ranker = Function(
    name="time_decay_gaussian",
    input_field_names=["publish_date"],
    function_type=FunctionType.RERANK,
    params={
        "reranker": "decay",
        "function": "gauss",           # ガウス/ベル曲線減衰
        "origin": current_time,        # 現在時刻を基準点として
        "offset": 7 * 24 * 60 * 60,    # 1週間（完全な関連性）
        "decay": 0.5,                  # 2週間前の記事は半分の関連性
        "scale": 14 * 24 * 60 * 60     # 2週間のスケールパラメータ
    }
)

# 異なるパラメータで指数減衰ランカーを作成
exponential_ranker = Function(
    name="time_decay_exponential",
    input_field_names=["publish_date"],
    function_type=FunctionType.RERANK,
    params={
        "reranker": "decay",
        "function": "exp",             # 指数減衰
        "origin": current_time,        # 現在時刻を基準点として
        "offset": 3 * 24 * 60 * 60,    # 短いオフセット（7日vs 3日）
        "decay": 0.3,                  # より急な減衰（0.5 vs 0.3）
        "scale": 10 * 24 * 60 * 60     # 異なるスケール（14日vs 10日）
    }
)

# 線形減衰ランカーを作成
linear_ranker = Function(
    name="time_decay_linear",
    input_field_names=["publish_date"],
    function_type=FunctionType.RERANK,
    params={
        "reranker": "decay",
        "function": "linear",          # 線形減衰
        "origin": current_time,        # 現在時刻を基準点として
        "offset": 7 * 24 * 60 * 60,    # 1週間（完全な関連性）
        "decay": 0.5,                  # 2週間前の記事は半分の関連性
        "scale": 14 * 24 * 60 * 60     # 2週間のスケールパラメータ
    }
)

前述のコードでは：

  • reranker: 時間ベースの減衰関数ではdecayに設定

  • function: 減衰関数のタイプ（gauss、exp、またはlinear）

  • origin: 基準点（通常は現在時刻）

  • offset: ドキュメントが完全な関連性を維持する期間

  • scale: オフセットを超えた関連性の低下速度を制御

  • decay: offset+scaleでの減衰係数（例：0.5は半分の関連性を意味する）

これらのパラメータを異なる値で構成した指数ランカーが、異なる動作を調整する方法を示すために使用されていることに注意してください。

ステップ6: 減衰ランカーの可視化​

検索を実行する前に、これらの異なる構成の減衰ランカーがどのように動作するかの視覚的な比較を作成しましょう：

# 異なるパラメータで減衰関数を可視化
days = np.linspace(0, 90, 100)
# ガウス：offset=7、scale=14、decay=0.5
gaussian_values = [1.0 if d <= 7 else (0.5 ** ((d - 7) / 14)) for d in days]
# 指数：offset=3、scale=10、decay=0.3
exponential_values = [1.0 if d <= 3 else (0.3 ** ((d - 3) / 10)) for d in days]
# 線形：offset=7、scale=14、decay=0.5
linear_values = [1.0 if d <= 7 else max(0, 1.0 - ((d - 7) / 14) * 0.5) for d in days]

plt.figure(figsize=(10, 6))
plt.plot(days, gaussian_values, label='ガウス（offset=7、scale=14、decay=0.5）')
plt.plot(days, exponential_values, label='指数（offset=3、scale=10、decay=0.3）')
plt.plot(days, linear_values, label='線形（offset=7、scale=14、decay=0.5）')
plt.axhline(y=0.5, color='gray', linestyle='--', alpha=0.5, label='半分の関連性')
plt.xlabel('日数前')
plt.ylabel('関連性係数')
plt.title('減衰関数の比較')
plt.legend()
plt.grid(True)
plt.savefig('decay_functions.png')
plt.close()

# 数値表現を出力
print("\n=== 時間減衰効果の可視化 ===")
print("日数前 | ガウス | 指数 | 線形")
print("-----------------------------------------")
for days in [0, 3, 7, 10, 14, 21, 30, 60, 90]:
    # ランカーのパラメータに基づいて減衰係数を計算
    gaussian_decay = 1.0 if days <= 7 else (0.5 ** ((days - 7) / 14))
    exponential_decay = 1.0 if days <= 3 else (0.3 ** ((days - 3) / 10))
    linear_decay = 1.0 if days <= 7 else max(0, 1.0 - ((days - 7) / 14) * 0.5)

    print(f"{days:2d}日 | {gaussian_decay:.4f}   | {exponential_decay:.4f}     | {linear_decay:.4f}")

期待される出力：

=== 時間減衰効果の可視化 ===
日数前 | ガウス | 指数 | 線形
-----------------------------------------
 0日 | 1.0000   | 1.0000     | 1.0000
 3日 | 1.0000   | 1.0000     | 1.0000
 7日 | 1.0000   | 0.6178     | 1.0000
10日 | 0.8620   | 0.4305     | 0.8929
14日 | 0.7071   | 0.2660     | 0.7500
21日 | 0.5000   | 0.1145     | 0.5000
30日 | 0.3202   | 0.0387     | 0.1786
60日 | 0.0725   | 0.0010     | 0.0000
90日 | 0.0164   | 0.0000     | 0.0000

ステップ7: 結果表示用ヘルパー関数​

# 日付とスコアで検索結果を整形するヘルパー関数
def print_search_results(results, title):
    print(f"\n=== {title} ===")
    for i, hit in enumerate(results[0]):
        publish_date = datetime.datetime.fromtimestamp(hit.get('publish_date'))
        days_from_now = (current_time - hit.get('publish_date')) / (24 * 60 * 60)

        print(f"{i+1}. {hit.get('headline')}")
        print(f"   公開日: {publish_date.strftime('%Y-%m-%d')} ({int(days_from_now)}日前)")
        print(f"   スコア: {hit.score:.4f}")
        print()

では、検索クエリを実行し、減衰ランキングの有無の結果を比較しましょう：

# 検索クエリを定義
query = "人工知能の進歩"

# 1. 減衰ランキングなしで検索（セマンティック類似性のみに基づく）
standard_results = milvus_client.search(
    collection_name,
    data=[query],
    anns_field="dense",
    limit=7,  # 全記事を取得
    output_fields=["headline", "content", "publish_date"],
    consistency_level="Strong"
)
print_search_results(standard_results, "減衰ランキングなしの検索結果")

# 後の比較のために元のスコアを保存
original_scores = {}
for hit in standard_results[0]:
    original_scores[hit.get('headline')] = hit.score

# 2. 各減衰関数で検索
# ガウス減衰
gaussian_results = milvus_client.search(
    collection_name,
    data=[query],
    anns_field="dense",
    limit=7,
    output_fields=["headline", "content", "publish_date"],
    ranker=gaussian_ranker,
    consistency_level="Strong"
)
print_search_results(gaussian_results, "ガウス減衰ランキングありの検索結果")

# 指数減衰
exponential_results = milvus_client.search(
    collection_name,
    data=[query],
    anns_field="dense",
    limit=7,
    output_fields=["headline", "content", "publish_date"],
    ranker=exponential_ranker,
    consistency_level="Strong"
)
print_search_results(exponential_results, "指数減衰ランキングありの検索結果")

# 線形減衰
linear_results = milvus_client.search(
    collection_name,
    data=[query],
    anns_field="dense",
    limit=7,
    output_fields=["headline", "content", "publish_date"],
    ranker=linear_ranker,
    consistency_level="Strong"
)
print_search_results(linear_results, "線形減衰ランキングありの検索結果")

期待される出力：

=== 減衰ランキングなしの検索結果 ===
1. 昨日に発表されたAI開発の更新
   公開日: 2025-05-14 (1日前)
   スコア: 0.3670

2. 1月に発表されたAI研究の進歩
   公開日: 2025-02-14 (90日前)
   スコア: 0.4315

3. 今週発表された新しいAI研究成果
   公開日: 2025-05-10 (5日前)
   スコア: 0.4316

4. テック大手が新しいAIレースで競争
   公開日: 2025-03-16 (60日前)
   スコア: 0.6671

5. 最新の深層学習モデルが顕著な進歩を示す
   公開日: 2025-04-30 (15日前)
   スコア: 0.6674

6. AIブレークスルーが医療診断の進歩を可能に
   公開日: 2025-01-15 (120日前)
   スコア: 0.7279

7. 国際機関がAI倫理ガイドラインを発表
   公開日: 2025-04-15 (30日前)
   スコア: 0.7661

=== ガウス減衰ランキングありの検索結果 ===
1. 最新の深層学習モデルが顕著な進歩を示す
   公開日: 2025-04-30 (15日前)
   スコア: 0.5322

2. 今週発表された新しいAI研究成果
   公開日: 2025-05-10 (5日前)
   スコア: 0.4316

3. 昨日に発表されたAI開発の更新
   公開日: 2025-05-14 (1日前)
   スコア: 0.3670

4. 国際機関がAI倫理ガイドラインを発表
   公開日: 2025-04-15 (30日前)
   スコア: 0.1180

5. テック大手が新しいAIレースで競争
   公開日: 2025-03-16 (60日前)
   スコア: 0.0000

6. 1月に発表されたAI研究の進歩
   公開日: 2025-02-14 (90日前)
   スコア: 0.0000

7. AIブレークスルーが医療診断の進歩を可能に
   公開日: 2025-01-15 (120日前)
   スコア: 0.0000

=== 指数減衰ランキングありの検索結果 ===
1. 昨日に発表されたAI開発の更新
   公開日: 2025-05-14 (1日前)
   スコア: 0.3670

2. 今週発表された新しいAI研究成果
   公開日: 2025-05-10 (5日前)
   スコア: 0.3392

3. 最新の深層学習モデルが顕著な進歩を示す
   公開日: 2025-04-30 (15日前)
   スコア: 0.1574

4. 国際機関がAI倫理ガイドラインを発表
   公開日: 2025-04-15 (30日前)
   スコア: 0.0297

5. テック大手が新しいAIレースで競争
   公開日: 2025-03-16 (60日前)
   スコア: 0.0007

6. 1月に発表されたAI研究の進歩
   公開日: 2025-02-14 (90日前)
   スコア: 0.0000

7. AIブレークスルーが医療診断の進歩を可能に
   公開日: 2025-01-15 (120日前)
   スコア: 0.0000

=== 線形減衰ランキングありの検索結果 ===
1. 最新の深層学習モデルが顕著な進歩を示す
   公開日: 2025-04-30 (15日前)
   スコア: 0.4767

2. 今週発表された新しいAI研究成果
   公開日: 2025-05-10 (5日前)
   スコア: 0.4316

3. 国際機関がAI倫理ガイドラインを発表
   公開日: 2025-04-15 (30日前)
   スコア: 0.3831

4. 昨日に発表されたAI開発の更新
   公開日: 2025-05-14 (1日前)
   スコア: 0.3670

5. AIブレークスルーが医療診断の進歩を可能に
   公開日: 2025-01-15 (120日前)
   スコア: 0.3640

6. テック大手が新しいAIレースで競争
   公開日: 2025-03-16 (60日前)
   スコア: 0.3335

7. 1月に発表されたAI研究の進歩
   公開日: 2025-02-14 (90日前)
   スコア: 0.2158

ステップ9: スコア計算の理解​

元の関連性と減衰係数の組み合わせによる最終スコアの計算方法を分解しましょう：

# ガウス減衰の上位3つの結果の詳細な内訳を追加
print("\n=== スコア計算内訳（ガウス減衰） ===")
for item in gaussian_results[0][:3]:
    headline = item.get('headline')
    publish_date = datetime.datetime.fromtimestamp(item.get('publish_date'))
    days_ago = (current_time - item.get('publish_date')) / (24 * 60 * 60)

    # 元のスコアを取得
    original_score = original_scores.get(headline, 0)

    # 減衰係数を計算
    decay_factor = 1.0 if days_ago <= 7 else (0.5 ** ((days_ago - 7) / 14))

    # 内訳を表示
    print(f"アイテム: {headline}")
    print(f"  公開日: {publish_date.strftime('%Y-%m-%d')} ({int(days_ago)}日前)")
    print(f"  元の関連性スコア: {original_score:.4f}")
    print(f"  減衰係数（ガウス）: {decay_factor:.4f}")
    print(f"  期待される最終スコア = 元×減衰: {original_score * decay_factor:.4f}")
    print(f"  実際の最終スコア: {item.score:.4f}")
    print()

期待される出力：

=== スコア計算内訳（ガウス減衰） ===
アイテム: 最新の深層学習モデルが顕著な進歩を示す
  公開日: 2025-04-30 (15日前)
  元の関連性スコア: 0.6674
  減衰係数（ガウス）: 0.6730
  期待される最終スコア = 元×減衰: 0.4491
  実際の最終スコア: 0.5322

アイテム: 今週発表された新しいAI研究成果
  公開日: 2025-05-10 (5日前)
  元の関連性スコア: 0.4316
  減衰係数（ガウス）: 1.0000
  期待される最終スコア = 元×減衰: 0.4316
  実際の最終スコア: 0.4316

アイテム: 昨日に発表されたAI開発の更新
  公開日: 2025-05-14 (1日前)
  元の関連性スコア: 0.3670
  減衰係数（ガウス）: 1.0000
  期待される最終スコア = 元×減衰: 0.3670
  実際の最終スコア: 0.3670

ステップ10: 減衰を使用したハイブリッド検索​

より複雑なシナリオでは、ハイブリッド検索を使用して密（セマンティック）およびスパース（キーワード）ベクトルを組み合わせることができます：

# ハイブリッド検索の設定（密ベクトルとスパースベクトルの組み合わせ）
dense_search = AnnSearchRequest(
    data=[query],
    anns_field="dense",  # 密ベクトル検索
    param={},
    limit=7
)

sparse_search = AnnSearchRequest(
    data=[query],
    anns_field="sparse_vector",  # スパースベクトル検索（BM25）
    param={},
    limit=7
)

# 各減衰関数でハイブリッド検索を実行
# ガウス減衰
hybrid_gaussian_results = milvus_client.hybrid_search(
    collection_name,
    [dense_search, sparse_search],
    ranker=gaussian_ranker,
    limit=7,
    output_fields=["headline", "content", "publish_date"]
)
print_search_results(hybrid_gaussian_results, "ガウス減衰ランキングありのハイブリッド検索結果")

# 指数減衰
hybrid_exponential_results = milvus_client.hybrid_search(
    collection_name,
    [dense_search, sparse_search],
    ranker=exponential_ranker,
    limit=7,
    output_fields=["headline", "content", "publish_date"]
)
print_search_results(hybrid_exponential_results, "指数減衰ランキングありのハイブリッド検索結果")

期待される出力：

=== ガウス減衰ランキングありのハイブリッド検索結果 ===
1. 今週発表された新しいAI研究成果
   公開日: 2025-05-10 (5日前)
   スコア: 2.1467

2. 昨日に発表されたAI開発の更新
   公開日: 2025-05-14 (1日前)
   スコア: 0.7926

3. 最新の深層学習モデルが顕著な進歩を示す
   公開日: 2025-04-30 (15日前)
   スコア: 0.5322

4. 国際機関がAI倫理ガイドラインを発表
   公開日: 2025-04-15 (30日前)
   スコア: 0.1180

5. テック大手が新しいAIレースで競争
   公開日: 2025-03-16 (60日前)
   スコア: 0.0000

6. 1月に発表されたAI研究の進歩
   公開日: 2025-02-14 (90日前)
   スコア: 0.0000

7. AIブレークスルーが医療診断の進歩を可能に
   公開日: 2025-01-15 (120日前)
   スコア: 0.0000

=== 指数減衰ランキングありのハイブリッド検索結果 ===
1. 今週発表された新しいAI研究成果
   公開日: 2025-05-10 (5日前)
   スコア: 1.6873

2. 昨日に発表されたAI開発の更新
   公開日: 2025-05-14 (1日前)
   スコア: 0.7926

3. 最新の深層学習モデルが顕著な進歩を示す
   公開日: 2025-04-30 (15日前)
   スコア: 0.1574

4. 国際機関がAI倫理ガイドラインを発表
   公開日: 2025-04-15 (30日前)
   スコア: 0.0297

5. テック大手が新しいAIレースで競争
   公開日: 2025-03-16 (60日前)
   スコア: 0.0007

6. 1月に発表されたAI研究の進歩
   公開日: 2025-02-14 (90日前)
   スコア: 0.0001

7. AIブレークスルーが医療診断の進歩を可能に
   公開日: 2025-01-15 (120日前)
   スコア: 0.0000

ステップ11: 異なるパラメータ値の実験​

ガウス減衰関数のスケールパラメータを調整するとどうなるか見てみましょう：

# 異なるスケールパラメータを持つガウス減衰関数のバリエーションを作成
print("\n=== パラメータ変動実験: スケール ===")
for scale_days in [7, 14, 30]:
    scaled_ranker = Function(
        name=f"time_decay_gaussian_{scale_days}",
        input_field_names=["publish_date"],
        function_type=FunctionType.RERANK,
        params={
            "reranker": "decay",
            "function": "gauss",
            "origin": current_time,
            "offset": 7 * 24 * 60 * 60,  # 固定オフセット7日
            "decay": 0.5,                # 固定減衰0.5
            "scale": scale_days * 24 * 60 * 60  # 可変スケール
        }
    )

    # 結果を取得
    scale_results = milvus_client.search(
        collection_name,
        data=[query],
        anns_field="dense",
        limit=7,
        output_fields=["headline", "publish_date"],
        ranker=scaled_ranker,
        consistency_level="Strong"
    )
    
    print(f"\nスケール={scale_days}日")
    for i, hit in enumerate(scale_results[0]):
        publish_date = datetime.datetime.fromtimestamp(hit.get('publish_date'))
        days_from_now = (current_time - hit.get('publish_date')) / (24 * 60 * 60)
        print(f"  {i+1}. {hit.get('headline')} - {publish_date.strftime('%Y-%m-%d')} ({int(days_from_now)}日前) - スコア: {hit.score:.4f}")

期待される出力：

=== パラメータ変動実験: スケール ===

スケール=7日
  1. 最新の深層学習モデルが顕著な進歩を示す - 2025-04-30 (15日前) - スコア: 0.3337
  2. 今週発表された新しいAI研究成果 - 2025-05-10 (5日前) - スコア: 0.4316
  3. 昨日に発表されたAI開発の更新 - 2025-05-14 (1日前) - スコア: 0.3670

スケール=14日
  1. 最新の深層学習モデルが顕著な進歩を示す - 2025-04-30 (15日前) - スコア: 0.5322
  2. 今週発表された新しいAI研究成果 - 2025-05-10 (5日前) - スコア: 0.4316
  3. 昨日に発表されたAI開発の更新 - 2025-05-14 (1日前) - スコア: 0.3670

スケール=30日
  1. 昨日に発表されたAI開発の更新 - 2025-05-14 (1日前) - スコア: 0.3670
  2. 今週発表された新しいAI研究成果 - 2025-05-10 (5日前) - スコア: 0.4316
  3. 最新の深層学習モデルが顕著な進歩を示す - 2025-04-30 (15日前) - スコア: 0.6674

実験から、スケールパラメータの影響がわかります：

  • 小さなスケール（7日）：最近のコンテンツが強く優先されるため、最新の記事が古い記事よりもはるかに高いスコアを得ます。

  • 中位のスケール（14日）：バランスの取れた減衰により、最近のコンテンツは依然として優先されますが、古いコンテンツも完全に除外されることはありません。

  • 大きなスケール（30日）：減衰がゆっくりと減少するため、最新性よりもセマンティックな関連性がより大きな役割を果たします。

これらの実験により、目的の検索のバランスに合わせて減衰ランカーを調整できることがわかります：

  • 最新性重視：小さなscaleとoffsetを使用

  • 関連性と最新性のバランス：中間のscaleとoffsetを使用

  • 関連性重視：大きなscaleと小さなdecay係数を使用

上記の実験は、Boost RankerとDecay Rankerのパラメータ調整戦略に共通する原則を示しています。パラメータは、アプリケーションのニーズに応じて調整する必要があります。