減衰ランカー
この章では、特定の数値フィールドの値に応じて特定のエンティティの類似度スコアを低下させ、他のエンティティを際立たせる動的ランク付け方法である減衰ランカーについて説明します。
減衰ランカー概要 [READ MORE]
従来のベクトル検索では、結果は純粋にベクトル類似度に基づいてランク付けされます—ベクトルが数学的空間でどれほど密接に一致するかに基づいて。しかし、実際のアプリケーションでは、コンテンツの真正の関連性は、意味的類似性だけに依存するとは限りません。
ガウス減衰 [READ MORE]
ガウス減衰（正規減衰とも呼ばれます）は、検索結果に対して最も自然な調整を行う方法です。距離とともに徐々にぼやけていく人間の視覚のように、ガウス減衰は滑らかなベル型曲線を作り、アイテムが理想的なポイントから離れるにつれて関連性を優しく低下させます。このアプローチは、好ましい範囲の外にあるアイテムに厳しくペナルティを与えない一方で、遠く離れたアイテムの関連性を大幅に低下させるバランスの取れた減衰を望む場合に理想的です。
指数減衰 [READ MORE]
指数減衰は、検索結果で初期に急激な低下を起こした後に長期的な尾を引く現象を作ります。重要性が最初に急速に低下するが、一部のストーリーは時間と共に重要性を維持するような速報ニュースサイクルのように、指数減衰は理想的な範囲をわずかに超えるアイテムに急激なペナルティを適用しつつ、遠く離れたアイテムを発見可能に保ちます。このアプローチは、近接性または最新性を強く優先したいが、より遠くのオプションを完全に排除したくない場合に理想的です。
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下降を作成します。関連性がイベントが過ぎるまで徐々に薄れていく今後のイベントのカウントダウンのように、線形減衰は理想的なポイントから離れると予測可能な一定の割合で関連性を減少させ、完全に消えるまで続きます。このアプローチは、明確なカットオフ付きの一貫した減衰率が望まれる場合に理想的で、ある境界を超えたアイテムが結果から完全に除外されるようにします。
チュートリアル：時間ベースのランク付けの実装 [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が関連性と同様に重要です。ニュース記事、商品リスト、SNS投稿、研究論文はすべて、意味的な関連性と新鮮さをバランスさせるランク付けシステムの恩益を受けます。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ク付けを実装する方法を示します。