跳到主要内容
版本：v2.5.x

范围搜索

范围搜索可将返回实体的距离或得分限制在特定范围内，从而提高搜索结果的相关性。本页将帮助您了解什么是范围搜索以及进行范围搜索的步骤。

概述​

执行范围搜索请求时，Milvus 以 ANN 搜索结果中与查询向量最相似的向量为圆心，以搜索请求中指定的半径为外圈半径，以range_filter为内圈半径，画出两个同心圆。所有相似度得分在这两个同心圆形成的环形区域内的向量都将被返回。这里，range_filter可以设置为0，表示将返回指定相似度得分（半径）范围内的所有实体。

Range Search范围搜索

上图显示，范围搜索请求包含两个参数：半径和range_filter。收到范围搜索请求后，Milvus 会执行以下操作：

  • 使用指定的度量类型**（COSINE**）查找与查询向量最相似的所有 Embedding。

  • 过滤与查询向量的距离或得分在半径和range_filter参数指定范围内的 Embedding。

  • 从筛选出的实体中返回前 K个实体。

设置radius和range_filter的方法因搜索的度量类型而异。下表列出了在不同度量类型下设置这两个参数的要求。

| 度量类型

|

名称

|

设置半径和范围筛选器的要求

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

L2

|

L2 距离越小，表示相似度越高。

|

要忽略最相似的向量 Embedding，请确保range_filter <= distance <radius

| |

IP

|

IP 距离越大，表示相似度越高。

|

要忽略最相似的 Embedding，请确保radius < distance <=range_filter

| |

COSINE

|

COSINE 距离越大，表示相似度越高。

|

要忽略最相似的 Embedding，请确保radius < distance <=range_filter

| |

JACCARD

|

Jaccard 距离越小，表示相似度越高。

|

要忽略最相似的 Embedding，请确保range_filter <= distance <= 。radius

| |

HAMMING

|

汉明距离越小，表示相似度越高。

|

要忽略最相似的 Embedding，请确保range_filter <= distance <。radius

|

示例​

本节演示如何进行范围搜索。以下代码片段中的搜索请求不带度量类型，表示使用默认度量类型COSINE。在这种情况下，请确保半径值小于range_filter值。

在以下代码片段中，将radius 设为0.4 ，将range_filter 设为0.6 ，这样 Milvus 就会返回与查询向量的距离或分数在0.4至0.6 范围内的所有实体。

from pymilvus import MilvusClient

client = MilvusClient(
    uri="http://localhost:19530",
    token="root:Milvus"
)

query_vector = [0.3580376395471989, -0.6023495712049978, 0.18414012509913835, -0.26286205330961354, 0.9029438446296592]

res = client.search(
    collection_name="my_collection",
    data=[query_vector],
    limit=3,
    search_params={
        "params": {
            "radius": 0.4,
            "range_filter": 0.6
        }
    }
)

for hits in res:
    print("TopK results:")
    for hit in hits:
        print(hit)