Decay Ranker Overview
在传统的向量搜索中，搜索结果的排序完全取决于向量的相似性--向量在数学空间中的匹配程度。但在实际应用中，内容的真正相关性往往不仅仅取决于语义相似性。
高斯衰减
高斯衰减也称为正常衰减，它能对搜索结果进行最自然的调整。就像人的视力会随着距离的增加而逐渐模糊一样，高斯衰减会创建一条平滑的钟形曲线，随着项目远离您的理想点，相关性也会逐渐降低。这种方法非常适合您需要一种平衡的衰减方式，既不会对您偏好范围之外的项目造成严重影响，又能显著降低远处项目的相关性。
指数衰减
指数衰减会使搜索结果在初期急剧下降，随后出现长尾。就像突发新闻周期一样，一开始相关性会迅速降低，但随着时间的推移，一些新闻的重要性会保持不变，指数衰减会对超出您理想范围的条目施加剧烈的惩罚，同时仍然保持较远的条目可以被发现。这种方法非常适合您想优先考虑近似性或相关性，但又不想完全排除较远选项的情况。
线性衰减
线性衰减会使搜索结果中的相关性直线下降，并以绝对零点为终点。就像即将发生的事件倒计时一样，相关性会逐渐减弱，直到事件过去，线性衰减会随着项目远离您的理想点而使相关性可预测地稳步降低，直到完全消失。这种方法非常适合在需要一致的衰减率和明确的分界线时使用，可确保超出一定界限的项目完全被排除在搜索结果之外。
教程：在 Milvus 中实施基于时间的排名
在许多搜索应用中，内容的新鲜度与相关性同等重要。新闻文章、产品列表、社交媒体帖子和研究论文都受益于兼顾语义相关性和新鲜度的排名系统。本教程演示了如何在 Milvus 中使用衰减 Ranker 实现基于时间的排名。