版本：Cloud 开发指南

线性衰减
公测版

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。

📘说明

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。

Wll6bZ6c9o8W23xoTiIc7EqXnJb

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)&#125;{s}, 0 \right)

其中：

s = \frac {scale}{(1.0 - decay)}

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： $\max(0, distance - offset)$ 。
根据您的比例和衰减值确定参数 $s$ 。
从 $s$ 中减去调整后的距离，然后除以 $s$ 。
确保结果永远不低于零： $\max(result, 0)$ 。

该 $s$ 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。

📘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：

📘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 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。

何时使用线性衰减​

稳步下降原则​

公式​

使用线性衰减​

创建一个衰减排序器​

在标准向量搜索中使用​

在混合搜索中使用​