线性衰减
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。
与其他衰减函数不同：
-
高斯衰减遵循一条钟形曲线，该曲线逐渐趋近但永远不会达到零
-
指数衰减保持着一条具有极小相关性的长尾，该长尾无限延伸
线性衰减独特地创造了一个明确的终点，使其在具有自然边界或截止日期的应用中特别有效。
何时使用线性衰减
线性衰减对以下情况特别有效：
用例 | 示例 | 线性方法为何效果良好 |
|---|---|---|
活动列表 | 演唱会票务平台 | 为过于遥远的未来事件设定明确界限 |
限时优惠 | 限时抢购、促销活动 | 确保过期或即将过期的优惠不会显示 |
配送半径 | 食品配送、快递服务 | 实施严格的地理边界 |
年龄限制内容 | 交友平台、媒体服务 | 设定企业年龄阈值 |
在以下情况下选择线性衰减：
-
您的应用程序有自然边界、截止日期或阈值
-
超过某一点的项目应完全从结果中排除
-
你需要一个可预测、稳定的相关性下降率
-
用户应该能看到相关和不相关项目之间有清晰的界限
稳步下降原则
线性衰减会产生一条直线下降的趋势，以恒定速率递减，直至精确归零。这种模式出现在许多日常场景中，如倒计时器、库存耗尽和截止日期临近等，在这些场景中，相关性有明确的截止点。
所有时间参数（origin、offset、scale）必须使用与 Collection 数据相同的单位。如果您的集合以不同的单位（毫秒、微秒）存储时间戳，请相应地调整所有参数。
上图展示了线性衰减将如何影响票务平台上的活动列表：
-
origin（当前日期）：又被称为原点，表示当前时刻，此时相关性达到最大值（1.0）。 -
offset（1天）：又被称为偏移量，表示“即时事件窗口”——所有在次日内发生的事件都保持完整的相关性得分（1.0），确保非常临近的事件不会因细微的时间差异而受到惩罚。 -
decay(0.5)：又被称为衰减值，表示在关注范围边缘的得分——此参数控制相关性的下降速率。 -
scale（10天）：又被称为关注范围，表示相关性降至衰减值的时间段——10天前的事件，其相关性得分减半（0.5）。
从直线曲线可以看出，大约 16 天以后的活动完全没有相关性，根本不会出现在搜索结果中。这就形成了一个明确的界限，确保用户只能看到在规定时间范围内即将发生的相关活动。
这种行为反映了活动规划通常的运作方式——即将发生的活动最为相关，未来几周内的活动重要性逐渐降低，而过于遥远的未来（或已经过去）的活动则根本不应出现。
公式
计算线性衰减分数的数学公式为：
S(doc) = \max\left( \frac{s - \max(0, |fieldvalue_{doc} - origin| - offset)}{s}, 0 \right)其中：
用通俗易懂的语言来解释一下：
-
计算字段值离原点的距离：。
-
减去偏移量（如果有的话），但结果永远不能小于零：。
-
根据您的比例和衰减值确定参数。
-
从中减去调整后的距离，然后除以。
-
确保结果永远不低于零：。
该计算将您的缩放和衰减参数转换为分数达到零的点。例如，当衰减值为0.5且缩放值为7时，分数将在距离为14（缩放值的两倍）时恰好达到零。
使用线性衰减
线性衰减可应用于 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。
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。
创建一个衰减排序器
在您的集合设置了一个数字字段（在本示例中，event_date 表示从现在起的秒数）之后，创建一个线性衰减排序器：
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 time
# Calculate current time
current_time = int(time.time())
# Create a linear decay ranker for event listings
# Note: All time parameters must use the same unit as your collection data
ranker = Function(
name="event_relevance", # Function identifier
input_field_names=["event_date"], # Numeric field to use
function_type=FunctionType.RERANK, # Function type. Must be RERANK
params={
"reranker": "decay", # Specify decay reranker
"function": "linear", # Choose linear decay
"origin": current_time, # Current time (seconds, matching collection data)
"offset": 12 * 60 * 60, # 12 hour immediate events window (seconds)
"decay": 0.5, # Half score at scale distance
"scale": 7 * 24 * 60 * 60 # 7 days (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=["music concerts"], # Query text
anns_field="dense", # Vector field to search
limit=10, # Number of results
output_fields=["title", "venue", "event_date"], # 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=["music concerts"],
anns_field="dense",
param={},
limit=10
)
# Define sparse vector search request
sparse = AnnSearchRequest(
data=["music concerts"],
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", "venue", "event_date"]
)
// 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。