向量数据库VikingDB
向量数据库VikingDB
- 文档首页
向量数据库VikingDBVikingDB 向量库向量库新版本（V2）常见问题检索参数常见问题
文档反馈
问问助手检索后处理算子
检索后处理算子详细参数说明可参考文档：检索后处理算子-PostProcess
- score_fusion 与ElasticSearch 的function score query能力的区别？
（https://www.elastic.co/docs/reference/query-languages/query-dsl/query-dsl-function-score-query）
VikingDB | ElasticSearch | |
|---|---|---|
定位 | 向量检索的后处理算子。 | 通用检索。 |
执行机制 | score计算与ANN流程解耦。只对预召回的数据计算score，减少了计算量。 | query命中的所有文档都要参与计算score。 |
易用性 | 高。有清晰的JSON DSL框架，参数相对更少，用户理解成本和心智负担低。 | 中。参数和模式组合繁多，需要深入理解才能用好，配置复杂。 |
归一化 | 默认开启且推荐，自动处理尺度问题。降低了使用门槛，避免了因分数尺度差异导致融合结果失真。 | 无内置自动归一化，需用户自行处理 |
- 如何选择合适的
addition_score_weight值？
addition_score_weight 的选择取决于您的业务目标。
如果更看重向量检索的语义相关性，希望业务指标只作为微调，建议设置一个较小的值（如 0.1 - 0.3）。
如果认为业务指标（如时效性、热度）与语义相关性同等重要，可以设置一个中间值（如 0.4 - 0.6）。
如果业务场景中，自定义的业务规则是排序的主要依据，则可以设置一个较大的值（如 0.7 - 0.9）。
- factor 参数的用途是什么？它可以是负数吗？
factor 参数主要有两个用途：
缩放：调整不同业务指标的相对重要性。例如，您有两个加分项“点赞数”和“收藏数”，如果您认为“收藏数”的重要性是“点赞数”的两倍，可以将它们的 factor 分别设置为 1 和 2。
反转/惩罚：factor 可以是负数。当您希望对某些特征进行惩罚时，可以设置一个负的 factor。例如，对“投诉量”字段设置一个负的 factor，可以使投诉越多的项目排名越靠后。
- base_value_from参数可以有哪些取值？具体的含义？
目前支持的取值有 scalar_field、 decay_func。如何选择，取决于业务指标的性质：
使用 scalar_field：当指标本身就可以直接、线性地反映业务价值时。例如：商品销量、视频点赞数、文章阅读量。这些值越高，通常代表业务排序越靠前。
使用 decay_func：当指标的业务价值取决于它与某个“中心点”的“距离”时。这在以下场景中非常有用：
- 时效性:
field是时间戳，origin是当前时间。距离当前时间越近，得分越高。 - 价格匹配:
field是商品价格，origin是用户的目标预算。价格越接近预算，得分越高。
- 是否应该开启归一化（normed）？有什么好处？
建议开启归一化，尤其是在不确定 origin_score 和addition_score的分布范围时。好处如下：
可预测的范围：归一化操作会将 origin_score和addition_score任意取值范围的数值稳定在 (0,1) 区间内。这使得 addition_score_weight 的作用更加直观和可控。
公平融合：addition_score 中的衰减函数得分和直接取值的标量，其数值范围可能千差万别。将origin_score 归一化后，可以更公平地与这些不同来源、不同尺度的业务分数进行加权融合，避免某一类分数因其数值范围过大而主导了最终结果。