版本：v3.0.x

WeightedRanker

WeightedRanker 通过为每个搜索路径分配不同的重要性权重，智能地组合来自多个搜索路径的结果并确定其优先级。与技艺高超的厨师平衡多种配料以制作完美菜肴的方式类似，WeightedRanker 也会平衡不同的搜索结果，以提供最相关的综合结果。这种方法非常适合在多个向量字段或模式中进行搜索，其中某些场对最终排名的贡献应比其他场更大。

何时使用 WeightedRanker

WeightedRanker 是专门为混合搜索方案设计的，在这种方案中，您需要将来自多个向量搜索路径的结果进行组合。它对以下情况特别有效

| 使用案例

实例

为什么 WeightedRanker 效果好

| | --- | --- | --- | |

电子商务搜索

结合图片相似度和文字描述的产品搜索

允许零售商优先考虑时尚产品的视觉相似性，同时强调技术产品的文字描述

| |

媒体内容搜索

使用视觉特征和音频转录进行视频检索

根据查询意图平衡视觉内容和语音对话的重要性

| |

文档检索

针对不同部分使用多种 Embedding 的企业文档搜索

在考虑全文嵌入的同时，赋予标题和摘要嵌入更高的权重

如果您的混合搜索应用需要结合多种搜索路径，同时控制其相对重要性，那么 WeightedRanker 就是您的理想选择。

加权排序器的机制

加权排名策略的主要工作流程如下：

Collection 搜索得分：收集向量搜索各路径的结果和分数（score_1、score_2）。
分数归一化：每次搜索可能会使用不同的相似度指标，从而导致不同的分数分布。例如，使用 "内积"（IP）作为相似度类型可能会产生[-∞,+∞]的分数，而使用 "欧氏距离"（L2）则会产生[0,+∞]的分数。由于不同搜索的得分范围各不相同，无法直接比较，因此有必要对每条搜索路径的得分进行归一化处理。通常，arctan 函数用于将分数转换为 [0, 1] 之间的范围（score_1_normalized, score_2_normalized）。分数越接近 1 表示相似度越高。
分配权重：根据分配给不同向量字段的重要性，为归一化分数（score_1_normalized，score_2_normalized）分配权重（wi）。每条路径的权重范围应在 [0,1] 之间。由此得出的加权分数为 score_1_weighted 和 score_2_weighted。
合并分数：将加权分数（score_1_weighted、score_2_weighted）从高到低排序，得出最终分数集（score_final）。

Weighted Ranker WeightedRanker

加权排序器示例

本例演示了涉及图像和文本的多模态混合搜索（topK=5），并说明了加权 Ranker 策略如何对两次 ANN 搜索的结果进行 Reranking。

图像的 ANN 搜索结果（topK=5）： ID

| ID

|

得分（图像）

| | --- | --- | |

101

|

0.92

| |

203

|

0.88

| |

150

|

0.85

| |

198

|

0.83

| |

175

|

0.8

|
文本的 ANN 搜索结果（topK=5）： ID

| ID

|

得分（文本）

| | --- | --- | |

198

|

0.91

| |

101

|

0.87

| |

110

|

0.85

| |

175

|

0.82

| |

250

|

0.78

|
使用 WeightedRanker 为图像和文本搜索结果分配权重。假设图像 ANN 搜索的权重为 0.6，文本搜索的权重为 0.4。

| ID

|

得分（图像）

|

得分（文本）

|

加权得分

| | --- | --- | --- | --- | |

101

|

0.92

|

0.87

|

0.6×0.92+0.4×0.87=0.90

| |

203

|

0.88

|

不适用

|

0.6×0.88+0.4×0=0.528

| |

150

|

0.85

|

不适用

|

0.6×0.85+0.4×0=0.51

| |

198

|

0.83

|

0.91

|

0.6×0.83+0.4×0.91=0.86

| |

175

|

0.80

|

0.82

|

0.6×0.80+0.4×0.82=0.81

| |

110

|

不在图像中

|

0.85

|

0.6×0+0.4×0.85=0.34

| |

250

|

不在图像中

|

0.78

|

0.6×0+0.4×0.78=0.312

|
Reranking 后的最终结果（topK=5）： 0.6×0+0.4×0.85=0.34

| 排名

|

ID

|

最终得分

| | --- | --- | --- | |

1

|

101

|

0.90

| |

2

|

198

|

0.86

| |

3

|

175

|

0.81

| |

4

|

203

|

0.528

| |

5

|

150

|

0.51

|

WeightedRanker 的使用

使用加权排名策略时，需要输入权重值。输入权重值的数量应与混合搜索中基本 ANN 搜索请求的数量一致。输入的权重值范围应为 [0,1]，数值越接近 1 表示重要性越高。

创建加权排序器

例如，假设混合搜索中有两个基本 ANN 搜索请求：文本搜索和图像搜索。如果认为文本搜索更重要，就应该赋予它更大的权重。

说明

Milvus 2.6.x 及更高版本可让您直接通过Function API 配置 Reranker 策略。如果您使用的是早期版本（v2.6.0 之前），请参考Reranker文档中的设置说明。

Python
Java
NodeJS
Go
cURL

from pymilvus import Function, FunctionType

rerank = Function(
    name="weight",
    input_field_names=[], # Must be an empty list
    function_type=FunctionType.RERANK,
    params={
        "reranker": "weighted",
        "weights": [0.1, 0.9],
        "norm_score": True  # Optional
    }
)

import io.milvus.common.clientenum.FunctionType;
import io.milvus.v2.service.collection.request.CreateCollectionReq;

CreateCollectionReq.Function rerank = CreateCollectionReq.Function.builder()
                .name("weight")
                .functionType(FunctionType.RERANK)
                .param("reranker", "weighted")
                .param("weights", "[0.1, 0.9]")
                .param("norm_score", "true")
                .build();

import { FunctionType } from '@zilliz/milvus2-sdk-node';

const rerank = {
    name: "weight",
    input_field_names: [],
    function_type: FunctionType.RERANK,
    params: {
        reranker: "weighted",
        weights: [0.1, 0.9],
        norm_score: true
    }
};

// Go

# Restful

| 参数

是否需要？

说明

值/示例

| | --- | --- | --- | --- | |

name

是

此功能的唯一标识符

"weight"

| |

input_field_names

是

要应用该函数的向量字段列表（对于加权排序器必须为空）

[]

| |

function_type

是

要调用的函数类型；使用RERANK 指定重排策略

FunctionType.RERANK

| |

params.reranker

是

指定要使用的排序方法。

必须设置为weighted 才能使用 WeightedRanker。

"weighted"

| |

params.weights

是

每个搜索路径对应的权重数组；值∈ [0,1]。

有关详情，请参阅加权排序器机制。

[0.1, 0.9]

| |

params.norm_score

是否

是否在加权前对原始分数进行归一化处理（使用 arctan）。

详情请参阅加权排序器机制。

True

应用于混合搜索

WeightedRanker 是专门为结合多个向量字段的混合搜索操作而设计的。执行混合搜索时，必须为每条搜索路径指定权重：

Python
Java
NodeJS
Go
cURL

from pymilvus import MilvusClient, AnnSearchRequest

# Connect to Milvus server
milvus_client = MilvusClient(uri="http://localhost:19530")

# Assume you have a collection setup

# Define text vector search request
text_search = AnnSearchRequest(
    data=["modern dining table"],
    anns_field="text_vector",
    param={},
    limit=10
)

# Define image vector search request
image_search = AnnSearchRequest(
    data=[image_embedding],  # Image embedding vector
    anns_field="image_vector",
    param={},
    limit=10
)

# Apply Weighted Ranker to product hybrid search
# Text search has 0.8 weight, image search has 0.3 weight
hybrid_results = milvus_client.hybrid_search(
    collection_name,
    [text_search, image_search],  # Multiple search requests
    ranker=rerank,  # Apply the weighted ranker
    limit=10,
    output_fields=["product_name", "price", "category"]
)

import io.milvus.v2.client.ConnectConfig;
import io.milvus.v2.client.MilvusClientV2;
import io.milvus.v2.service.vector.request.AnnSearchReq;
import io.milvus.v2.service.vector.request.HybridSearchReq;
import io.milvus.v2.service.vector.response.SearchResp;
import io.milvus.v2.service.vector.request.data.EmbeddedText;
import io.milvus.v2.service.vector.request.data.FloatVec;

MilvusClientV2 client = new MilvusClientV2(ConnectConfig.builder()
        .uri("http://localhost:19530")
        .build());

List<AnnSearchReq> searchRequests = new ArrayList<>();
searchRequests.add(AnnSearchReq.builder()
        .vectorFieldName("text_vector")
        .vectors(Collections.singletonList(new EmbeddedText("\"modern dining table\"")))
        .limit(10)
        .build());
searchRequests.add(AnnSearchReq.builder()
        .vectorFieldName("image_vector")
        .vectors(Collections.singletonList(new FloatVec(imageEmbedding)))
        .limit(10)
        .build());

HybridSearchReq hybridSearchReq = HybridSearchReq.builder()
                .collectionName(COLLECTION_NAME)
                .searchRequests(searchRequests)
                .ranker(ranker)
                .limit(10)
                .outputFields(Arrays.asList("product_name", "price", "category"))
                .build();
SearchResp searchResp = client.hybridSearch(hybridSearchReq);

import { MilvusClient, FunctionType } from "@zilliz/milvus2-sdk-node";

const milvusClient = new MilvusClient({ address: "http://localhost:19530" });

const text_search = {
  data: ["modern dining table"],
  anns_field: "text_vector",
  param: {},
  limit: 10,
};

const image_search = {
  data: [image_embedding],
  anns_field: "image_vector",
  param: {},
  limit: 10,
};

const rerank = {
  name: "weight",
  input_field_names: [],
  function_type: FunctionType.RERANK,
  params: {
    reranker: "weighted",
    weights: [0.1, 0.9],
    norm_score: true,
  },
};

const search = await milvusClient.search({
  collection_name: collection_name,
  limit: 10,
  data: [text_search, image_search],
  rerank: rerank,
  output_fields = ["product_name", "price", "category"],
});

// go

# restful

有关混合搜索的更多信息，请参阅多向量混合搜索。

何时使用 WeightedRanker​

加权排序器的机制​

加权排序器示例​

WeightedRanker 的使用​

创建加权排序器​

应用于混合搜索​