版本：v2.6.x

Weighted Ranker

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：

汇总搜索得分：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

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	N/A	0.6×0.88+0.4×0=0.528
150	0.85	N/A	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
Node.js
Go
cURL

Python
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
    }
)

Java
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();

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

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

参数	是否需要？	说明	Value/Example
`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
Node.js
Go
cURL

Python
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"]
)

Java
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);

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

const milvusClient = new MilvusClient({
  address: "http://localhost:19530",
});
const collectionName = "product_catalog";
const imageEmbedding = Array.from({length: 512}, (_, index) =>
  Math.sin(index + 1),
);

const textSearch = {
  data: "modern dining table",
  anns_field: "text_vector",
  params: {},
  limit: 10,
};

const imageSearch = {
  data: imageEmbedding,
  anns_field: "image_vector",
  params: {},
  limit: 10,
};

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

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

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​