线性衰减 Compatible with Milvus 2.6.x

线性衰减会在搜索结果中创建一个以绝对零点为终点的直线下降。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。

与其他衰减函数不同：

• 高斯衰减遵循钟形曲线，逐渐接近但永远不会归零

• 指数衰减会保持一个相关性最小的长尾，并无限延伸

线性衰减能独特地创建一个确定的终点，因此对于有自然边界或截止日期的应用特别有效。

何时使用线性衰减

线性衰减对以下应用特别有效

| 使用案例

|

实例

|

为什么线性效果好

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

活动列表

|

音乐会门票平台

|

为太遥远的未来活动创建明确的分界线

| |

限时优惠

|

闪购、促销

|

确保过期或即将过期的优惠不会出现

| |

送货半径

|

送餐、快递服务

|

执行严格的地理界限

| |

限制年龄的内容

|

约会平台、媒体服务

|

设定明确的年龄界限

|

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

• 应将超过某一点的项目完全排除在结果之外

• 您需要可预测的、一致的相关性下降率

• 用户应该清楚地看到相关和不相关项目之间的界限

稳步下降原则

线性衰减是指以恒定的速度直线下降，直至降到零。这种模式出现在许多日常场景中，如倒计时计时器、库存消耗和截止日期临近等，在这些场景中，相关性都有一个明确的到期点。

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 Collection 以不同的单位（毫秒、微秒）存储时间戳，请相应调整所有参数。

线性衰减

上图显示了线性衰减如何影响票务平台上的活动列表：

• origin (当前日期）：当前时刻，相关性达到最大值 (1.0)。

• offset (1 天）：即时事件窗口"--所有在第二天内发生的事件都能保持满分相关性分数（1.0），确保即将发生的事件不会因为微小的时间差而受到影响。

• decay (0.5):尺度距离得分--该参数控制相关性下降的速度。

• scale (10 天）：相关性下降到衰减值的时间段--10 天后的事件相关性得分减半（0.5）。

从直线曲线中可以看出，超过大约 16 天的事件相关性正好为零，根本不会出现在搜索结果中。这就形成了一个明确的界限，确保用户只能在规定的时间窗口内看到相关的即将发生的事件。

这种行为反映了活动计划的典型运作方式--近期的活动最相关，未来几周内的活动重要性递减，而太远（或已经过去）的活动则根本不应该出现。

计算公式

计算线性衰减分数的数学公式为

S(doc)=max⁡(s−max⁡(0,∣fieldvaluedoc−origin∣−offset)s,0)S(doc) = \max\left( \frac{s - \max(0, |fieldvalue_{doc} - origin| - offset)}{s}, 0 \right)S(doc)=max(ss−max(0,∣fieldvaluedoc−origin∣−offset),0)

其中：

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

用通俗易懂的语言来解释：

1. 计算字段值距离原点的距离：∣fieldvaluedoc-origin∣|fieldvalue_{doc} - origin|∣fieldvalue doc - origin∣

2. 减去偏移量（如果有的话），但不要低于零：max(0,distance-offset)\max(0, distance - offset)max(0,distance- offset)

3. 根据缩放和衰减值确定参数 sss。

4. 从 sss 减去调整后的距离，再除以 sss

5. 确保结果永远不低于零：max(result,0)\max(result, 0)max(result,0)

sss 计算将缩放和衰减参数转换为分数为零的点。例如，如果衰减值=0.5，缩放值=7，那么在距离=14（缩放值的两倍）处得分将正好为零。

使用线性衰减

线性衰减可应用于 Milvus 中的标准向量搜索和混合搜索操作符。下面是实现这一功能的关键代码片段。

说明

在使用衰减函数之前，必须先创建一个带有适当数值字段（如时间戳、距离等）的 Collection，这些数值字段将用于衰减计算。有关包括 Collection 设置、Schema 定义和数据插入在内的完整工作示例，请参阅《衰减 Ranker 教程》。

创建衰减 Ranker

在使用数字字段（在本例中，event_date ，即从现在开始的秒）设置好您的 Collection 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，请确保origin 、scale 和offset 参数与您的 Collection 数据使用相同的时间单位。如果您的 Collection 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

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

import io.milvus.v2.service.vector.request.ranker.DecayRanker;

DecayRanker ranker = DecayRanker.builder()
        .name("event_relevance")
        .inputFieldNames(Collections.singletonList("event_date"))
        .function("linear")
        .origin(System.currentTimeMillis())
        .offset(12 * 60 * 60)
        .decay(0.5)
        .scale(7 * 24 * 60 * 60)
        .build();

NodeJS

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

const ranker = {
  name: "event_relevance",
  input_field_names: ["event_date"],
  type: FunctionType.RERANK,
  params: {
    reranker: "decay",
    function: "linear",
    origin: new Date(2025, 1, 15).getTime(),
    offset: 12 * 60 * 60,
    decay: 0.5,
    scale: 7 * 24 * 60 * 60,
  },
};

Go

// go

cURL

# restful

应用于标准向量搜索

定义衰减排序器后，您可以通过将其传递给ranker 参数，在搜索操作过程中应用它：

Python

# Apply decay ranker to vector search
result = milvus_client.search(
    collection_name,
    data=[your_query_vector],              # Replace with your query vector
    anns_field="dense",                   # Vector field to search
    limit=10,                             # Number of results
    output_fields=["title", "venue", "event_date"], # Fields to return
    ranker=ranker,                        # Apply the decay ranker
    consistency_level="Strong"
)

Java

import io.milvus.v2.common.ConsistencyLevel;
import io.milvus.v2.service.vector.request.SearchReq;
import io.milvus.v2.service.vector.response.SearchResp;
import io.milvus.v2.service.vector.request.data.FloatVec;

SearchReq searchReq = SearchReq.builder()
        .collectionName(COLLECTION_NAME)
        .data(Collections.singletonList(new FloatVec(embedding)))
        .annsField("dense")
        .limit(10)
        .outputFields(Arrays.asList("title", "venue", "event_date"))
        .functionScore(FunctionScore.builder()
                .addFunction(ranker)
                .build())
        .consistencyLevel(ConsistencyLevel.STRONG)
        .build();
SearchResp searchResp = client.search(searchReq);

NodeJS

const result = await milvusClient.search({
  collection_name: "collection_name",
  data: [your_query_vector], // Replace with your query vector
  anns_field: "dense",
  limit: 10,
  output_fields: ["title", "venue", "event_date"],
  rerank: ranker,
  consistency_level: "Strong",
});

Go

// go

cURL

# restful