版本：v2.6.x

RRF 排序器

互惠排名融合（RRF）Ranker 是 Milvus 混合搜索的一种 Reranking 策略，它根据多个向量搜索路径的排名位置而不是原始相似度得分来平衡搜索结果。就像体育比赛考虑的是球员的排名而不是个人统计数据一样，RRF Ranker 根据每个项目在不同搜索路径中的排名高低来组合搜索结果，从而创建一个公平、均衡的最终排名。

何时使用 RRF Ranker

RRF Ranker 专门设计用于混合搜索场景，在这种场景中，您需要平衡来自多个向量搜索路径的结果，而无需分配明确的重要性权重。它对以下情况特别有效：

| 使用案例

示例

为什么 RRF Ranker 运行良好

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

具有同等重要性的多模态搜索

两种模式同等重要的图像-文本搜索

无需任意分配权重即可平衡结果

| |

Collection 向量搜索

综合不同 Embedding 模型的结果

民主合并排名，不偏向任何特定模型的得分分布

| |

跨语言搜索

跨多种语言查找文件

不考虑特定语言的 Embedding 特征，对结果进行公平排名

| |

专家建议

综合多个专家系统的建议

在不同系统使用无法比拟的评分方法时创建一致的排名

如果您的混合搜索应用程序需要在不分配明确权重的情况下以民主方式平衡多个搜索路径，那么 RRF Ranker 就是您的理想选择。

RRF Ranker 的机制

RRFRanker 策略的主要工作流程如下：

收集搜索排名：收集向量搜索各路径的结果排名（rank_1、rank_2）。
合并排名：根据公式转换各路径的排名（rank_rrf_1，rank_rrf_2）。

计算公式中的N 代表检索次数，ranki*(d* )是第 i 个检索器生成的文档d的排名位置，k是平滑参数，通常设置为 60。
汇总排名：根据综合排名对搜索结果 Reranking，得出最终结果。

Rrf Ranker RRF 排序器

RRF 排序器示例

本例演示了稀疏稠密向量上的混合搜索（topK=5），并说明了 RRFRanker 策略如何对两次 ANN 搜索的结果进行 Reranking。

文本稀疏向量上的 ANN 搜索结果（topK=5）： ID

| ID

|

排名（稀疏）

| | --- | --- | |

101

|

1

| |

203

|

2

| |

150

|

3

| |

198

|

4

| |

175

|

5

|
对文本稠密向量进行 ANN 搜索的结果（topK=5）： ID

| ID

|

排名（密集）

| | --- | --- | |

198

|

1

| |

101

|

2

| |

110

|

3

| |

175

|

4

| |

250

|

5

|
使用 RRF 重新排列两组搜索结果的排名。假设平滑参数k 设置为 60。

| ID

|

得分（稀疏）

|

得分（密集）

|

最终得分

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

101

|

1

|

2

|

1/(60+1)+1/(60+2) = 0.03252247

| |

198

|

4

|

1

|

1/(60+4)+1/(60+1) = 0.03201844

| |

175

|

5

|

4

|

1/(60+5)+1/(60+4) = 0.03100962

| |

203

|

2

|

不适用

|

1/(60+2) = 0.01612903

| |

150

|

3

|

不适用

|

1/(60+3) = 0.01587302

| |

110

|

不适用

|

3

|

1/(60+3) = 0.01587302

| |

250

|

不适用

|

5

|

1/(60+5) = 0.01538462

|
重排后的最终结果（topK=5):.............

| 排名

|

ID

|

最终得分

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

1

|

101

|

0.03252247

| |

2

|

198

|

0.03201844

| |

3

|

175

|

0.03100962

| |

4

|

203

|

0.01612903

| |

5

|

150

|

0.01587302

| |

5

|

110

|

0.01587302

|

RRF 排序器的使用

使用 RRF 重排策略时，需要配置参数k 。这是一个平滑参数，可以有效改变全文搜索与向量搜索的相对权重。该参数的默认值为 60，可在 (0, 16384) 的范围内调整。该值应为浮点数。推荐值在 [10, 100] 之间。虽然k=60 是常见的选择，但k 的最佳值可能因具体应用和数据集而异。我们建议根据具体使用情况测试和调整该参数，以实现最佳性能。

创建 RRF 排序器

用多个向量字段设置好 Collection 后，使用适当的平滑参数创建 RRF 排序器：

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

ranker = Function(
    name="rrf",
    input_field_names=[], # Must be an empty list
    function_type=FunctionType.RERANK,
    params={
        "reranker": "rrf",
        "k": 100  # Optional
    }
)

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

CreateCollectionReq.Function rerank = CreateCollectionReq.Function.builder()
        .name("rrf")
        .functionType(FunctionType.RERANK)
        .param("reranker", "rrf")
        .param("k", "100")
        .build();

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

const ranker = {
  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

"rrf"

| |

input_field_names

是

要应用该函数的向量字段列表（对于 RRF Ranker 必须为空）

[]

| |

function_type

是

要调用的函数类型；使用RERANK 指定 Reranker 排序策略

FunctionType.RERANK

| |

params.reranker

是

指定要使用的排序方法。

必须设置为rrf 才能使用 RRF Ranker。

"weighted"

| |

params.k

无

平滑参数，用于控制文档排名的影响；k 越高，对排名靠前的敏感度越低。范围：（0，16384）；默认值：60 。

有关详情，请参阅RRF Ranker 的机制。

100

应用于混合搜索

RRF Ranker 专为结合多个向量字段的混合搜索操作而设计。下面介绍如何在混合搜索中使用它：

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 RRF Ranker to product hybrid search
# The smoothing parameter k controls the balance
hybrid_results = milvus_client.hybrid_search(
    collection_name,
    [text_search, image_search],  # Multiple search requests
    ranker=ranker,  # Apply the RRF 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 ranker = {
  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,
  data: [text_search, image_search],
  output_fields: ["product_name", "price", "category"],
  limit: 10,
  rerank: ranker,
});

// 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 RRF Ranker​

RRF Ranker 的机制​

RRF 排序器示例​

RRF 排序器的使用​

创建 RRF 排序器​

应用于混合搜索​