Semantic search in news feeds, e-commerce, and recommendation systems needs to balance relevance wit...
TL;DR · AI 摘要
Milvus 提供三种衰减模型（指数、高斯、线性）优化语义搜索的新鲜度与相关性平衡。
核心要点
- 指数衰减适合新闻推荐，快速衰减后长尾保持
- 高斯衰减在60天后完全归零，适合短期内容
- 线性衰减90天后仍保留30%相关性
结构提纲
按章节快速跳转。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- 语义搜索衰减模型
- 指数衰减
- 快速衰减长尾保持
- 高斯衰减
- 钟形曲线渐进衰减
- 线性衰减
- 恒定惩罚截止点
金句 / Highlights
值得收藏与分享的关键句。
指数衰减在3天偏移后陡峭衰减，30天文章得分近零
高斯衰减60天后完全归零，形成清晰的截止边界
线性衰减90天文章仍保留30%相关性，语义权重高于时间惩罚
Milvus on X: "在新闻推送、电子商务和推荐系统中，语义搜索需要在相关性和新鲜度之间取得平衡。 𝗠𝗶𝗹𝘃𝘂𝘀 提供了三种用于重排序的衰减函数。三种衰减模型可供选择，每种模型会产生不同的 https://t.co/cQMiUtxnjM" / X
Milvus
@milvusio
在新闻推送、电子商务和推荐系统中，语义搜索需要在相关性和新鲜度之间取得平衡。 𝗠𝗶𝗹𝘃𝘂𝘀 提供了三种用于重排序的衰减函数。三种衰减模型可供选择，每种模型会产生不同的新鲜度曲线： • 指数型：初始衰减迅速，长尾效应明显。适用于时效性占主导地位的新闻和社会动态推送。 • 高斯型：钟形曲线，逐渐衰减。适用于餐厅推荐等需要平衡搜索结果的场景，中等距离会降低但不会完全消除匹配度。 • 线型：恒定惩罚，明确截止点。适用于事件搜索，超过两周的旧内容不应出现在结果中。
在本次测试中，查询词为“人工智能进展”，对比七篇跨度从1天到120天前发布的文章，在四种排序方法下的表现：
无衰减：纯粹语义相似度排序。 • 排序完全由L2距离决定（数值越低越相似）。时间因素完全被忽略。 • 两篇内容几乎相同但相隔90天发布的文章得分相同：0.7090。 • 90天前的文章位列第一。 • 一篇关于“AI伦理指南”的文章得分最低，因为“伦理”与“进展”语义距离比其他文章更大，尽管它也涉及AI。
高斯衰减（偏移量：7天，尺度：14天，衰减系数：0.5） • 最新两篇文章（1天和5天前）跃居前两名。两者均在7天偏移范围内，未受时间惩罚，按原始语义相似度排序。 • 15天前的文章得分降至0.3601但仍可见。30天前的文章降至0.0642。 • 超过60天的文章得分均为0.0000。钟形曲线先缓慢衰减后急剧下降。
指数衰减（偏移量：3天，尺度：10天，衰减系数：0.3） • 1天前的文章得分为0.5979。5天前的文章降至0.4774，尽管仍较新，但已超出3天偏移范围。 • 15天前的文章得分为0.1065，远低于高斯模型下同篇文章的0.3601。30天前的文章得分接近零。 • 该配置下曲线最陡峭，遗忘速度比高斯模型更快，且超出偏移范围后惩罚更严厉。
线性衰减：最平缓的衰减方式 • 90天前的文章仍得分为0.3037。120天前的文章得分为0.2339。这两篇文章在高斯和指数模型下得分均为零。 • 由于惩罚是恒定的而非加速的，语义相关性相对于时间权重更大。 • 一篇90天前但高度相关的文章会超越30天前但相关性较弱的文章，因为时间惩罚不足以抵消更强的语义匹配。 • 衰减曲线平缓，但线性衰减会在明确的截止点达到零，为您提供可预测的过期边界。
选择曲线比选择是否添加衰减更重要。了解更多：
milvus.io/docs/tutorial-…
3:00 PM · Jul 17, 2026
202
Views
1
0
2