Customizing Cortex Search scoring¶

属性¶

• ``numeric_boosts``（数组，可选）：

  • ``<numeric_boost_object>``（对象，可选）：

    • ``column_name``（字符串）：指定应该应用提升的数值列。

    • ``weight``（浮点数）：指定在排名过程中分配给提升列的权重或重要性。指定多个列时，较高的权重会增加该字段的影响力。

• ``time_decays``（数组，可选）：

  • ``<time_decay_object>``（对象，可选）：

    • ``column_name``（字符串）：指定应该应用衰减的时间或日期列。

    • ``weight``（浮点数）：指定在排名过程中分配给衰减列的权重或重要性。指定多个列时，较高的权重会增加该字段的影响力。

    • limit_hours``（浮点数）：设置边界，此后时间对文档的相关性或重要性的影响开始减弱。例如，``limit_hours 值为 240 表示时间戳比 now 时间戳晚 240 小时（10 天）以上的文档不会获得显著提升，而时间戳在其过去 240 小时内的文档应该获得更显著的提升。

    • now``（字符串，可选）：可选的参考时间戳，根据该时间戳以 ISO-8601 ``yyyy-MM-dd'T'HH:mm:ss.SSSXXX 格式计算衰减。例如 "2025-02-19T14:30:45.123-08:00"。如果未指定，则默认为当前时间戳。

属性¶

• ``reranker``（字符串，可选）：如果应该关闭重新排名工具，则可以将该参数设置为“none”。如果排除或为 null，则使用默认重新排名工具。

属性¶

• ``weights``（对象，可选）：指定权重，用于合并每个文档的文本、向量和重新排名分数。在此字段中，权重是相对于彼此应用的。

例如，以下内容指定文本分数的权重应比向量分数高 3 倍，重新排名分数的权重应比文本分数高 2 倍：

{
  "scoring_config": {
    "functions": {
      "weights": {
        "texts": 3,
        "vectors": 1,
        "reranker": 2
      }
    }
  }
}

了解组件分数¶

组件分数提供 Cortex Search 计算每个搜索结果最终相关性分数的详细分解。评分系统由多个组件组成：

余弦相似度

基于查询与向量索引之间语义相似度的分数。分数越高表示使用向量嵌入的概念或语义匹配越强。

文字匹配

基于查询与文本索引之间关键字/词汇相似度的分数。分数越高表示精确或模糊关键字匹配越强。

Response format¶

启用组件分数后，所有 Cortex Search 查询将返回以下评分信息。有关 Cortex Search 查询语法的更多信息，请参阅 查询 Cortex Search 服务。

{
  "results": [
    {
      "@scores": {
        "cosine_similarity": <cosine_similarity_score>,
        "text_match": <text_match_score>
      }
    }
  ]
}

属性¶

• text_boosts (array, optional): Index-specific weights to be applied to text index columns. When this value is present, you're required to include a weight for all text columns. Column weights are applied relative to one another.

• vector_boosts (array, optional): Index-specific weights to be applied to vector columns. When this value is present, you're required to include a weight for all vector columns. Column weights are applied relative to one another.

Index-specific weights are objects containing column and weight keys:

{
  "column": "<column name>",
  "weight": <weight>
}

As an example, consider the following table indexed for search:

CREATE TABLE feedback_info (
  id VARCHAR,
  comment VARCHAR,
  support_note VARCHAR,
  sentiment VECTOR(FLOAT, 3),
  issue_category VECTOR(FLOAT, 3)
);

The following JSON shows a scoring_config for a multi-index Cortex Search service that de-ranks the id text column while boosting the comment text column, and adjusting the vector rankings of sentiment to be twice as important as other vector columns.

{
  "scoring_config": {
    "functions": {
      "text_boosts": [
        { "column": "id", "weight": 1 },
        { "column": "support_note", "weight": 2},
        { "column": "comment", "weight": 3},
      ],
      "vector_boosts": [
        { "column": "issue_category", "weight": 1 },
        { "column": "sentiment", "weight": 2 }
      ]
    }
  }
}