メインコンテンツまでスキップ

Cohere Ranker

Cohere Ranker は、Cohere の rerank モデルを活用し、取得した候補にセマンティックリランキングを適用することで結果の順序を改善します。

取得関数や埋め込み関数とは異なり、Cohere Ranker は取得後のステップとして実行されます。クエリとドキュメントテキストの間のセマンティックな関連性を評価し、それに応じて候補結果を並べ替えます。

Cohere Ranker は、次のような場合に特に役立ちます。

  • 取得した結果は関連しているものの、順序が最適ではない場合

  • ベクトル距離だけでなく、セマンティックな関連性がより重要な場合

  • 多言語または長文テキストのリランキングが必要な場合

事前準備​

Cohere Ranker を使用する前に、次の前提条件を満たしていることを確認してください。

  • rerank モデルを選択する

    rerank-english-v3.0 など、使用する Cohere rerank モデルを決定します。選択したモデルによって、リランキング時にセマンティックな関連性をどのように評価するかが決まります。詳細については、Cohere 公式ドキュメント を参照してください。

  • Cohere と統合し、integration ID を取得する

    Cohere Ranker を使用するには、まず Zilliz Cloud コンソール で Cohere をモデルプロバイダーとして統合する必要があります。詳細な手順については、モデルプロバイダーとの統合 を参照してください。

  • rerank 可能なテキストフィールドを含むコレクションスキーマを計画する

    コレクションに、rerank 対象のテキストを含む VARCHAR フィールドが 1 つ含まれていることを確認してください。

Cohere Ranker を使用する​

このセクションでは、検索時に Cohere Ranker を適用して取得した結果をリランキングする方法を説明します。

Cohere Ranker は検索時に定義および適用されるため、クエリごとにリランキングを有効または無効にできます。

準備​

次のセットアップでは、検索とリランキングに使用するコレクションとサンプルデータを準備します。

サンプルデータを含むコレクションを準備する
python
from pymilvus import MilvusClient, DataType

client = MilvusClient(
    uri="YOUR_ZILLIZ_CLOUD_URI",
    token="YOUR_ZILLIZ_CLOUD_TOKEN",
)

collection_name = "cohere_rerank_demo"

# Define collection schema 
schema = client.create_schema()

schema.add_field("id", DataType.INT64, is_primary=True, auto_id=False)
schema.add_field("document", DataType.VARCHAR, max_length=1000)
schema.add_field("dense", DataType.FLOAT_VECTOR, dim=4)

# Configure index
index_params = client.prepare_index_params()

index_params.add_index(
    field_name="dense",
    index_type="AUTOINDEX",
    metric_type="COSINE"
)

# Create collection
client.create_collection(
    collection_name=collection_name,
    schema=schema,
    index_params=index_params
)

# Insert sample data
data = [
    {
        "id": 1,
        "document": "Recent renewable energy developments include improved solar efficiency.",
        "dense": [0.10, 0.20, 0.30, 0.40],
    },
    {
        "id": 2,
        "document": "Climate policy and carbon markets have evolved rapidly in recent years.",
        "dense": [0.11, 0.19, 0.28, 0.39],
    },
    {
        "id": 3,
        "document": "New battery technology helps stabilize wind and solar power generation.",
        "dense": [0.90, 0.10, 0.05, 0.02],
    },
    {
        "id": 4,
        "document": "Vector databases support similarity search for machine learning applications.",
        "dense": [0.01, 0.02, 0.03, 0.04],
    },
]

client.insert(collection_name, data)

rerank 関数を定義する​

Cohere Ranker は、コレクションスキーマの一部としてではなく、検索時に定義されます。

rerank 関数では、次の項目を指定します。

  • リランキングの対象となるテキストフィールド（VARCHAR）

  • 使用する Cohere rerank モデル

  • 関連性を評価する対象のクエリテキスト

python
from pymilvus import Function, FunctionType

cohere_ranker = Function(
    name="cohere_semantic_ranker",
    input_field_names=["document"],
    function_type=FunctionType.RERANK,
    params={
        "reranker": "model",
        "provider": "cohere",
        "model_name": "rerank-english-v3.0",
        "queries": ["renewable energy developments"],
        "integration_id": "YOUR_INTEGRATION_ID",
    }
)
Notes

queries 内の文字列数は、検索リクエストで発行されるクエリ数と一致している必要があります。

rerank 関数を使用して検索する​

python
query_vector = [0.12, 0.21, 0.29, 0.41]

results = client.search(
    collection_name=collection_name,
    data=[query_vector],
    anns_field="dense",
    limit=3,
    output_fields=["document"],
    ranker=cohere_ranker,
)

print(results)

この検索では、次の処理が実行されます。

  1. Zilliz Cloud がベクトル検索を使用して候補を取得します。

  2. Cohere Ranker が各候補のセマンティックな関連性を評価します。

  3. 結果セットが返される前に並べ替えられます。

次のステップ​

Cohere Ranker はハイブリッド検索でも使用できます。

検索とハイブリッド検索では、同じ方法でランカーを適用します。

どちらの場合も、検索時に ranker パラメーターを介して rerank 関数を渡します。

詳細については、マルチベクトルハイブリッド検索 を参照してください。

このページは役に立ちましたか？
Ctrl I