Decay Ranker
本章讨论 Decay Ranker，它使用基于以下理念的动态排序方法：某些 Entity 的相似度得分应根据特定数字类型的字段中的值降低，从而帮助其他 Entity 脱颖而出。
Decay Ranker 概述 [READ MORE]
在传统的向量搜索中，结果纯粹是按照向量相似度来排序的，即向量在数学空间中的匹配程度。但在实际应用中，使内容真正相关的因素往往不仅仅取决于语义相似度。
高斯衰减 [READ MORE]
高斯衰减，也称为正态衰减，能对搜索结果进行最自然的调整。就像人类的视觉会随着距离逐渐模糊一样，高斯衰减会创建一条平滑的钟形曲线，随着项目远离理想点，逐渐降低其相关性。当你希望实现一种平衡的衰减，既不会对刚好超出首选范围的项目进行大举罚分，又能显著降低远距离项目的相关性时，这种方法是理想之选。
指数衰减 [READ MORE]
指数衰减会使搜索结果呈现出初始阶段急剧下降，随后是长尾的特征。就像突发新闻周期一样，相关性起初迅速减弱，但有些报道随着时间的推移仍保持重要性，指数衰减对刚刚超出理想范围的项目大举罚分，同时仍让距离较远的项目仍可以被发现。当你希望高度优先考虑接近程度或时效性，但又不想完全排除距离较远的选项时，这种方法是理想的选择。
线性衰减 [READ MORE]
线性衰减会产生一条直线式的下降趋势，在搜索结果中终止于绝对零点。就像即将到来的活动倒计时，相关性会逐渐减弱，直到活动结束，线性衰减会随着项目偏离理想点而以可预测的、稳定的方式降低相关性，直到它们完全消失。当你希望有一个一致的衰减率和明确的截止点，确保超出一定边界的项目完全被排除在结果之外时，这种方法是理想的选择。
教程：实现基于时间的排序 [READ MORE]
在许多搜索应用中，内容的时效性与相关性同样重要。新闻文章、产品列表、社交媒体帖子和研究论文都受益于能平衡语义相关性与时效性的排名系统。本教程将展示如何使用 Decay Ranker 在 Zilliz Cloud 中实现基于时间的排名。