跳到主要内容

使用 StructArray 进行 Range Search

本页介绍如何在 StructArray Vector 子字段上执行 Range Search。Range Search 会返回评分或距离落在指定边界内的向量命中。对于 StructArray Field，请将 Range Search 与 Element-level Vector Search 结合使用，此时每个 Struct 元素都会被独立搜索。

本页使用 创建 StructArray Field 中的 tech_articles Collection。该 Collection 包含名为 chunks 的 StructArray Field。chunks[emb] Vector 子字段使用 COSINE、IP 或 L2 等常规 Vector metric 建立 Index，用于 Element-level Search。

Range Search 如何应用于 StructArray​

搜索模式Range Search 行为结果粒度
EmbeddingList Search不支持。不适用。
Element-level Search使用常规 Vector 查询，并设置 radius，也可按需设置 range_filter。Struct 元素级。
Hybrid Search当 StructArray 请求的目标是 Element-level Vector Field 时支持。EmbeddingList-level 请求不支持 Range Search。Element-level 子搜索，然后进行 Hybrid 重新排序。
📘Notes

如果只需要最近的 Struct 元素，请先阅读使用 StructArray 进行基础向量搜索。当结果必须满足评分或距离边界，而不只是 Top-K 排名时，再使用 Range Search。

开始前​

运行 Range Search 前，请先准备好 Collection、数据和 Index。

要求说明
StructArray FieldCollection 包含 chunks 等 StructArray Field。
Element-level Vector 子字段目标 Vector 子字段是 chunks[emb]，而不是 chunks[emb_list_vector]。
Index metricVector 子字段使用 COSINE、IP 或 L2 等常规 Vector metric 建立 Index。
查询数据查询是常规 Vector，而不是 EmbeddingList。

Index 设置请参见为 StructArray Field 创建 Index。

使用 radius 和 range_filter​

设置 radius 用于定义搜索边界。需要内层边界时，可同时设置 range_filter。边界方向取决于 metric 是距离越小越好，还是相似度评分越大越好。

Metric 类型分数越高越好吗？使用 range_filter 时的范围条件
L2否。距离越小越好。range_filter <= distance < radius
IP、COSINE是。评分越大越好。radius < distance <= range_filter

只设置 radius 时，Range Search 会返回满足该 metric 外层边界的命中。请根据 Embedding 的评分或距离尺度选择取值。

以下示例搜索 chunks[emb] Vector 与查询 Vector 足够相似的单个 chunk。每个结果命中都代表一个匹配的 Struct 元素。

python
from pymilvus import MilvusClient

client = MilvusClient(
    uri="YOUR_CLUSTER_ENDPOINT",
    token="YOUR_CLUSTER_TOKEN",
)

query_vector = [0.19, 0.24, 0.30, 0.37]

results = client.search(
    collection_name="tech_articles",
    data=[query_vector],
    anns_field="chunks[emb]",
    search_params={
        "metric_type": "COSINE",
        "params": {
            "radius": 0.80,
            "range_filter": 0.95,
        },
    },
    limit=10,
    output_fields=[
        "doc_id",
        "title",
        "chunks[text]",
        "chunks[section]",
        "chunks[page]",
        "chunks[quality_score]",
    ],
)

for hits in results:
    for hit in hits:
        print(
            "doc_id:", hit["id"],
            "distance:", hit["distance"],
            "offset:", hit.get("offset"),
            "entity:", hit["entity"],
        )

在此示例中，COSINE 是相似度型 metric，因此结果范围是大于 radius 且小于等于 range_filter。返回时，offset 值标识 chunks 数组中匹配的 Struct 元素。

添加标量过滤器​

可以将 Element-level Range Search 与 StructArray 标量过滤结合使用。父 Entity Field 使用顶层谓词；需要限制哪些 Struct 元素参与向量 Range Search 时，使用 element_filter。

python
filter_expr = (
    'category == "search" && '
    'element_filter(chunks, '
    '$[section] == "index" && '
    '$[quality_score] > 0.9)'
)

results = client.search(
    collection_name="tech_articles",
    data=[query_vector],
    anns_field="chunks[emb]",
    search_params={
        "metric_type": "COSINE",
        "params": {
            "radius": 0.80,
            "range_filter": 0.95,
        },
    },
    filter=filter_expr,
    limit=10,
    output_fields=[
        "doc_id",
        "title",
        "category",
        "chunks[text]",
        "chunks[section]",
        "chunks[quality_score]",
    ],
)

顶层谓词选择候选 Entity。element_filter 谓词将向量 Range Search 限制到匹配的 Struct 元素。更多过滤示例请参见使用 StructArray 进行过滤搜索。

StructArray Element-level Vector Field 支持在 Hybrid Search 中使用 Range Search。请将 radius 以及可选的 range_filter 添加到目标为 StructArray Element-level Vector Field 的 AnnSearchRequest 中。

python
from pymilvus import AnnSearchRequest, RRFRanker

title_req = AnnSearchRequest(
    data=[query_vector],
    anns_field="title_vector",
    param={
        "metric_type": "COSINE",
        "params": {},
    },
    limit=10,
)

chunk_req = AnnSearchRequest(
    data=[query_vector],
    anns_field="chunks[emb]",
    param={
        "metric_type": "COSINE",
        "params": {
            "radius": 0.80,
            "range_filter": 0.95,
        },
    },
    limit=10,
    expr='element_filter(chunks, $[section] == "index")',
)

results = client.hybrid_search(
    collection_name="tech_articles",
    reqs=[title_req, chunk_req],
    ranker=RRFRanker(),
    limit=5,
    output_fields=[
        "doc_id",
        "title",
        "chunks[text]",
        "chunks[section]",
        "chunks[quality_score]",
    ],
)

在此示例中，只有 chunks[emb] 子请求使用 Range Search 参数。StructArray 请求仍遵循 Element-level 语义：在 Hybrid Search 合并并重新排序结果之前，范围边界先应用于 Struct 元素命中。

理解范围搜索结果​

结果项含义
id包含匹配 Struct 元素的 Entity 主键。
distance 或 score查询 Vector 与匹配 Struct 元素 Vector 之间的评分或距离。
offset返回时表示匹配 Struct 元素在 StructArray Field 中从 0 开始的位置。
重复主键可能出现。同一 Entity 中可以有多个 Struct 元素落在指定范围内。
limit作用于元素命中，而不是唯一父 Entity。

限制​

  • 不要在 StructArray Vector 子字段上使用 EmbeddingList 查询或 MAX_SIM* metric 执行 Range Search。EmbeddingList-level Search 不支持 Range Search。

  • 不要将 Range Search 与 Grouping Search 组合使用。如果需要每个父 Entity 返回一个结果，请在不设置范围参数的情况下执行 Element-level Search，并在支持时使用 Grouping。

  • Hybrid Range Search 支持 StructArray 元素级向量字段，但不支持行级 StructArray 请求。

常见错误​

  • 对 chunks[emb_list_vector] 执行 Range Search；该子字段用于 EmbeddingList Search。

  • 在 Element-level Range Search 中使用 MAX_SIM_COSINE，而不是 COSINE 等常规 metric。

  • 使用 EmbeddingList 查询，而不是常规 Vector 查询。

  • 误以为 Range Search 结果会按父 Entity 去重。Range Search 返回匹配的 Struct 元素命中。

  • 使用 chunks.emb，而不是必需的子字段路径语法 chunks[emb]。

下一步​

  1. 如需了解两种基础 StructArray 向量搜索模式，请阅读使用 StructArray 进行基础向量搜索。

  2. 如需为 Range Search 添加标量过滤，请阅读使用 StructArray 进行过滤搜索。

  3. 如需在支持时让每个父 Entity 最多返回一个结果，请阅读使用 StructArray 进行分组搜索。

  4. 如需查看版本相关搜索限制，请阅读 StructArray 限制。

联系销售
Ctrl I