Påvirk relevansrangering for hybrid søgning

Fusionsmodel for gensidig rangering

Modsat rangeringsfusion-modellen bruger en gensidig rangeringsfusion-formel, der tager vægten for hver søgetype med i betragtning for at få de mest relevante resultater.

Den gensidige rangeringsfusionsformel er summen af både nøgleordssøgning (smarte) og vektorsøgning (tætte) gensidige rangeringsscores med en standardnedbrydning på k=60. Formlen leverer også en alfa-parameter, der kontrollerer den sjældne vægt i en konvekst kombination af de to scores. Søgeresultaterne rangeres ved brug af den sum, der er afledt fra RRF-rangeringens flettede formel.

Dette hybrid søgeforespørgselsudtryk overfører f.eks. parameteren for nøgleordssøgning (sparse) for RRF-modellen.

select * from hybrid_search(
    table(<Search_index_DMO>), 
    ‘<Search String>’,
    '<PreFilteringColumn><Operator><Value>', 
    '<Limit Results>', 
    ‘{ "rrf": { "keyword_weight": 0.4 } }’
);

Inputparametre for relevanskonfiguration:

• rrf : Aktiver model til gensidig rangering-fusion
• nøgleord_vægt: Vigtigheden eller vægten af nøgleordssøgekomponenten i hybrid søgning. Området er mellem nul og en. Viktigheden af vektorsøgning beregnes automatisk ved at fratrække nøgleordsvægten fra 1,0.

RRF-modellen understøtter også en avanceret formel, der kan påvirke de rangeringsfaktorer, du konfigurerer, når du opretter søgeindekset. Hvis du ønsker flere oplysninger om rangeringsfaktorer, kan du se Hybrid Search Fusion Ranking.

Inputparametre for relevanskonfiguration i den avancerede RRF-formel:

• Alpha (a): repræsenterer vigtigheden af nøgleordssøgning. Standard er 0,5f
• Beta (B): repræsenterer den betydning, der er givet til vektorsøgning, og beregnes på basis af den betydning, der er givet til nøgleordssøgning (1-alfa).
• Gamma (Y): repræsenterer vigtigheden af rangering faktor popularitet. Standarden er 0.00074478f. Maksimum er 1.
• Delta (D): repræsenterer den betydning, der er givet til rangeringsfaktor nyhed. Standarden er 0.00028472f. Maksimum er 1.

Angiv vigtigheden af vægte i din forespørgsel. Juster og juster værdierne i lave trin for at sikre, at du opnår den rigtige relevans for dine resultater.

Lineær fusionsrangeringsmodel

LFR-modellen (Linear Fusion Ranking) er en tilpasset form af standardfusion rangeringsmodellen, der beregner en vægtet sum af de transformerede scores fra både vektorsøgning (tæt) og nøgleordssøgning (smarte). Søgeresultaterne rangeres ved brug af den sum, der er afledt fra LFR-formlen.

Hybrid søgning leverer som standard den bedste konfiguration af lineær fusionsrangering ved brug af transformationer og vægte baseret på interne eksperimenter og benchmarks. Med LFR kan rangering konfigureres yderligere ved brug af transformationsfunktionerne for nøgleordssøgningsscoren (sparse) og vektorsøgningsscoren (dense) og deres vægte.

LFR-modellen kan også bruge de seneste og populære rangeringsfaktorer, der kan konfigureres, mens du opsætter hybrid søgning for et DMO. Yderligere rangeringsfaktorer kan konfigureres ved brug af transformationsfunktioner og vægte.

Dette hybrid søgeforespørgselsudtryk overfører f.eks. relevansparametre for LFR-modellen.

select * from hybrid_search (
    table(<Search_index_DMO>), 
    ‘<Search String>’,
    '<PreFilteringColumn><Operator><Value>', 
    '<Limit Results>',                          
‘{
  "lfr": {
    "vector": {
      "score_transform": {
        "type": "reciprocal_rank",
        "decay": 60
      },
      "weight": 0.66913
    },
    "keyword": {
      "score_transform": {
        "type": "query_min_max",
        "theoretical_min": 0.1
      },
      "weight": 4.0343633
    }
  }
}’);

Inputparametre for relevanskonfiguration:

• lfr - Aktiver Lineær fusionsrangering-model
• Vektor: Konfigurerer rangering for vektorsøgning
• nøgleord: Konfigurerer rangering for nøgleordssøgning

Hver af rangeringskonfigurationerne for vektor- og nøgleordssøgning kan tage disse parametre:

• score_transform: Konfigurationen af score-transformation for søgekomponenten
• type: Typen af score-transformation
  • reciprocal_rank
  • query_min_max
• decay: Understøttet kun for gensidig rangeringstransformation styrer forfaldsparameteren overgangen mellem resultatrækker. F.eks. er den gensidige rangeringsscore mellem resultater, der er rangeret 1 og 2, længere adskilt med en nedbrydning på 10 kontra en nedbrydning på 20.
  • Hvis forespørgslen inkluderer en nedbrydningsparameter, skal score = 1/(rank+decay).
• theoretical_min: Understøttet kun for Teoretisk min/maks-transformation, repræsenterer den teoretiske mindste score for den underliggende søgefunktion. Brug denne parameter til at skalere funktionsdistributionen op eller ned i et område mellem [0,1]. Vælg en værdi, der er den laveste værdi for funktionen for at få det bedste resultat. For nøgleordssøgeresultatet er 0 den rette værdi. Juster ikke denne værdi, medmindre du har data, der angiver, at en højere værdi giver bedre relevans.
• vægt: Vigtigheden af at give denne komponent i hybrid søgning

Deep Fusion Ranker-model

DFR-modellen (Deep Fusion Ranker) forbedrer søgerelevans ved at integrere traditionelle signaler, f.eks. vektorlignende, nøgleordmatches, popularitet og seneste med en dybere forståelse af forespørgselstekst. Ved at bruge deep learning-teknikker og transformatorarkitekturer, registrerer modellen komplekse funktionsinteraktioner og scorer registreringer sammen. Søgeresultaterne er nøjagtige, justerede og kontekstrelevante. Denne model håndterer effektivt manglende og støjende data, hvilket sikrer pålidelig ydeevne på tværs af forskellige søgescenarier.

Aktiver Deep Fusion Ranker-modellen ved brug af konfigurationsindstillingen for dfr-relevans. Der er ingen andre tilpasninger tilgængelige for denne model.

Dette hybrid søgeforespørgselsudtryk overfører f.eks. relevansparameteren for Deep Fusion Ranker-modellen.

select * from hybrid_search (
    table(<Search_index_DMO>), 
    ‘<Search String>’,
    '<PreFilteringColumn><Operator><Value>', 
    '<Limit Results>)', 
    ‘{  "dfr": {}}’
);

Inputparametre for relevanskonfiguration:

• dfr: Aktiver Deep Fusion Ranker-model