版本：BYOC 开发指南

指数衰减
联系销售开启 BYOC

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。

与其他衰减函数不同：

高斯衰减产生了更渐进的钟形衰减
线性衰减以恒定速率减小，直到精确地达到零

指数衰减独特地“前置”罚分，在衰减早期就开始大举罚分，但仍保持最小但非零的相关性得分长尾。

何时使用指数衰减

指数衰减对以下情况特别有效：

用例	示例	为什么指数衰减运作良好
新闻提要	突发新闻门户网站	在仍展示几天前重要报道的同时，迅速降低旧新闻的相关性
社交媒体时间线	动态更新、状态更新	强调新鲜内容，但允许热门的旧内容浮出水面
通知系统	告警优先级排序	在保持重要警报可见性的同时，为近期警报营造紧迫感
限时抢购	限时优惠	随着截止日期临近，能见度迅速降低

在以下情况下选择指数衰减：

用户期望非常近期或附近的项目在结果中占据主导地位
如果较旧或较久远的项目具有极高的相关性，那么它们仍应是可被发现的
相关性衰减应前置（开始时更陡峭，随后更平缓）

急剧下降原则

指数衰减形成的曲线起初下降迅速，随后逐渐趋于平缓，形成一条趋近但永远不会达到零的长尾。这种数学模式在自然现象中频繁出现，如放射性衰变、人口减少以及信息相关性随时间的变化。

📘说明

所有时间参数（origin、offset、scale）必须使用与 Collection 中数据相同的单位。如果您的 Collection 以不同的单位（毫秒、微秒）存储时间戳，请相应地调整所有参数。

Vg4mbHAc1oyPUqx6Q4lcyElTn4b

上图展示了指数衰减如何影响数字新闻平台中新闻文章的排名：

origin（当前时间）：又被称为原点，表示当前时刻，相关性达到最大值（1.0）。
offset（3小时）：又被称为偏移量，表示“突发新闻窗口”——所有在过去3小时内发布的报道都保持完整的相关性得分（1.0），确保非常近期的新闻不会因微小的时间差异而被不必要地扣分。
decay (0.5)：又被称衰减值，表示在关注范围边缘处的得分——此参数控制得分随时间衰减的剧烈程度。
scale（24小时）：又称为关注范围，表示相关性降至衰减值的时间段——恰好24小时前的新闻文章，其相关性得分减半（0.5）。

从曲线中可以看出，超过 24 小时的新闻文章的相关性持续下降，但永远不会完全降至零。即使是几天前的报道也保留了一定的最低相关性，这使得重要但较旧的新闻仍能出现在你的信息流中（尽管排名较低）。

这种行为模仿了新闻相关性通常的运作方式——非常新的报道占据主导地位，但如果较旧的重要报道与用户的兴趣特别相关，它们仍然可以脱颖而出。

公式

计算指数衰减得分的数学公式为：

S(doc) = \exp\left( \lambda \cdot \max\left(0, \left|fieldvalue_{doc} - origin\right| - offset \right) \right)

其中：

\lambda = \frac{\ln(decay)}{scale}

用通俗易懂的语言来解释一下：

计算字段值离原点的距离： $|fieldvalue_{doc} - origin|$ 。
减去偏移量（如果有的话），但结果永远不能小于零： $\max(0, distance - offset)$ 。
乘以 $\lambda$ ，该值由您的缩放和衰减参数计算得出。
取指数，它会给出一个介于0和1之间的值： $\exp(\lambda \cdot value)$ 。

该 $\lambda$ 计算将您的缩放和衰减参数转换为指数函数的速率参数。更负的 $\lambda$ 会导致更陡峭的初始下降。

使用指数衰减

指数衰减可应用于 Zilliz Cloud 中的标准向量搜索和混合搜索操作。以下是实现此功能的关键代码片段。

📘说明

在使用 Decay Ranker 之前，你必须首先创建一个包含适当数字类型字段（如时间戳、距离等）的集合，这些字段将用于衰减计算。有关包括 Collection 设置、 Schema 定义和数据插入的完整工作示例，请参考教程：实现基于时间的搜索结果重排。

创建一个 Decay Ranker

在您的 Collection 中设置了一个数字字段（在本示例中为publish_time）之后，创建一个指数衰减 Decay Ranker：

📘说明

时间单位一致性：使用基于时间的衰减时，确保 origin、scale 和 offset 参数使用与您的 Collection 中的数据使用相同的时间单位。如果您的 Collection 中的数据以秒为单位存储时间戳，则所有参数都使用秒。如果使用毫秒，则所有参数都使用毫秒。

Python
Java
NodeJS
Go
cURL

from pymilvus import Function, FunctionType
import datetime

# Create an exponential decay ranker for news recency
# Note: All time parameters must use the same unit as your collection data
ranker = Function(
    name="news_recency",                  # Function identifier
    input_field_names=["publish_time"],   # Numeric field to use
    function_type=FunctionType.RERANK,    # Function type. Must be RERANK
    params={
        "reranker": "decay",              # Specify decay reranker
        "function": "exp",                # Choose exponential decay
        "origin": int(datetime.datetime.now().timestamp()),  # Current time (seconds, matching collection data)
        "offset": 3 * 60 * 60,            # 3 hour breaking news window (seconds)
        "decay": 0.5,                     # Half score at scale distance
        "scale": 24 * 60 * 60             # 24 hours (in seconds, matching collection data)
    }
)

// java

// nodejs

// go

# restful

在标准向量搜索中使用

定义 Decay Ranker 后，您可以在搜索请求中通过将其传递给 ranker 参数来应用它：

Python
Java
NodeJS
Go
cURL

# Apply decay ranker to vector search
result = milvus_client.search(
    collection_name,
    data=["market analysis"],             # Query text
    anns_field="dense",                   # Vector field to search
    limit=10,                             # Number of results
    output_fields=["title", "publish_time"], # Fields to return
    #  highlight-next-line
    ranker=ranker,                        # Apply the decay ranker
    consistency_level="Strong"
)

// java

// nodejs

// go

# restful

在混合搜索中使用

Decay Ranker 也可应用于结合多个向量字段的混合搜索操作：

Python
Java
NodeJS
Go
cURL

from pymilvus import AnnSearchRequest

# Define dense vector search request
dense = AnnSearchRequest(
    data=["market analysis"],
    anns_field="dense",
    param={},
    limit=10
)

# Define sparse vector search request
sparse = AnnSearchRequest(
    data=["market analysis"],
    anns_field="sparse_vector",
    param={},
    limit=10
)

# Apply decay ranker to hybrid search
hybrid_results = milvus_client.hybrid_search(
    collection_name,
    [dense, sparse],                      # Multiple search requests
    #  highlight-next-line
    ranker=ranker,                        # Same decay ranker
    limit=10,
    output_fields=["title", "publish_time"]
)

// java

// nodejs

// go

# restful

有关混合搜索操作的更多信息，请参阅多向量混合搜索。

何时使用指数衰减​

急剧下降原则​

公式​

使用指数衰减​

创建一个 Decay Ranker​

在标准向量搜索中使用​

在混合搜索中使用​