embedding分数不是唯一解！搜索场景，如何根据元数据做加权rerank

01

rerank如何影响业务表现

今天聊一聊我们如何做高质量rerank。

一个常识是，无论企业知识库、电商、新闻，还是RAG、agent场景，只依靠语义相似度对检索结果进行排名，无疑都是粗暴且低效的。

一方面，元数据往往包含了语义、时间、标签、地理位置等多元信息，语义并不总是最重要的那一项；

另一方面，用户检索时，往往还需要对数据按照距离远近、好评分数、复购数量等信息进行综合排序。

比如：

• 电商：付费/旗舰店商品要更靠前，缺货商品要略微靠后；

• 内容搜索：官方内容、最近发布的内容要优先；

• 企业知识库：部分标签（如“权威文档”“最佳实践”）需要被提升或者置顶。

在很多数据库的向量插件，或者早期版本的向量数据库产品中，向量检索结果排序主要依赖向量相似度本身（距离越近/相似度越高越靠前），或者通过模型类 Reranker（如 BGE, Voyage, Cohere）进行更智能的重排。但很显然，这两种方案中的任意一种，都无法解决实际场景中复杂的rerank需求。

针对这一困境，Milvus推出了Boost Ranker功能：在 Milvus 内部，我们可以对候选结果应用一组基于元数据的“加权规则”，做到不改索引、不改向量模型，就能按照需求更新排序逻辑。

那么这个功能是如何实现的，要如何在实战中使用，本文将重点解读。

02

Boost Ranker 是什么

2.1 核心能力概览

Boost Ranker 是 Milvus 2.6.2 引入的一种 rerank 策略，通过 Function API 配置：

• 在向量检索返回的候选集合上，再执行一轮基于过滤表达式的匹配；

• 对命中的实体按照配置的weight（权重）重新缩放分数；

• 引入random_score，在 0~1 范围内生成一个随机因子，做轻量的“打散”。

相比模型类Reranker（调用外部 LLM / rerank 模型），Boost Ranker完全基于已有的标量字段 + 简单规则，不需要外部服务，代价低，实时性强。

2.2 内部工作机制

Boost Ranker 在 Milvus 内部的工作流程大致为：

第一步，向量检索阶段：每个 segment 独立返回一批候选结果（包含 id、原始 score、相关元数据）；

第二步，应用 Boost Ranker：

• 使用filter表达式（可选）在候选中筛出“需要加权”的实体；

• 对这些实体的分数按weight、random_score做缩放；

第三步，再聚合所有 segment 的候选，按新的分数排序得到最终 TopK。

需要注意的是 Boost Ranker 对候选集合生效，而不是在全量数据上跑一次新查询，因此性能开销非常小。

3

什么情况下优先考虑 Boost Ranker

3.1 业务驱动的内容加权

典型场景：

• 电商搜索：
• 提升“旗舰店/自营/付费推广”商品的权重；
• 提升近期销量/点击高的商品；

• 内容/资讯搜索：
• 提升最近一段时间内发布的内容（结合publish_time字段）；
• 提升来源为“官方账号”“认证作者”的内容；

• 企业内部文档检索：
• 提升doctype == 'policy'或is_canonical == true的权威文档。

这些都可以通过简单的filter+weight实现，无需触碰向量模型、索引。

3.2 策略性降权与风控

另一类是温柔的隐藏而不是直接过滤：

• 低库存但仍可售的商品：stock < 10适当降权；

• 含有潜在敏感词的内容：打一点折扣，但不做硬过滤；

• 过旧的文档：例如year < 2020适当往后排。

优势是：用户仍能在某些场景看到这些结果，但它们会自然地出现在靠后位置。

3.3 探索/多样化：利用 random_score

Boost Ranker 支持random_score字段：

"random_score": {

"seed": 126,

"field": "id"

}

• seed：随机数种子，控制全局一致性；

• field：作为随机数生成的输入（通常用主键），保证同一条数据多次搜索随机结果一致。

可以用它来：

• 在同一相似度的多个候选中稍微“打散”顺序，避免永远只看到相同 Top；

• 配合固定权重做固定 + 小范围随机的混合排序，用于推荐系统里的探索策略。

3.4 与其它 Ranker 的关系与限制

• Boost Ranker 是通过Function(FunctionType.RERANK, params.reranker='boost')创建的rerank 函数；

• 它不能作为多向量 hybrid search（多个向量字段一起搜）的顶层 ranker，但可以作为每个AnnSearchRequest的 ranker 使用。

• 可以与其他 Ranker 组合：

• 比如先用 RRF Ranker 融合多模态结果，再用 Boost Ranker 做基于元数据的微调；

• 或者模型 Ranker 提升语义相关性，然后 Boost Ranker 叠加业务规则。

4

核心参数与使用注意事项

Boost Ranker 是通过Function和FunctionScore（可选）配置的。

4.1 创建 Boost Ranker 所需的字段

Python 里一般这么创建（后面实战会给完整代码）：

• name：这个 Function 的名字；

• input_field_names：Boost Ranker 必须是空列表[]；

• function_type：固定使用FunctionType.RERANK；

• params.reranker：固定字符串"boost"，告诉 Milvus 使用 Boost Ranker。

4.2 重点参数：weight、filter、random_score

（1）params.weight（必填）

• 对所有命中 filter 的实体，将其原始分数乘以此权重；

• 选择规则和度量有关：

如果“分数越小越好”（典型是距离类度量），要 提升 某类结果，就用 < 1 的权重； 如果“分数越大越好”，要提升就用 > 1 的权重。

（2）params.filter（可选）

一条基础的标量过滤表达式，例如

• "doctype == 'abstract'"

• "is_premium == true"

• "views > 1000 and category == 'tech'"

（3）params.random_score（可选）

• 结构：{"seed": 126, "field": "id"}；

• 返回 0~1 的随机值，可与 weight 配合产生轻微扰动；

• 建议同时设置 seed 与 field，保证多次请求中结果可复现。

4.3 单 Boost Ranker vs 多 Boost Ranker

• 单 Boost Ranker：
• 适合只有一条主规则，比如“提升摘要文档”“打压过旧文档”；
• 直接在search(..., ranker=ranker)里传入即可。

• 多 Boost Ranker 组合：
• boost_mode：单个函数内部如何组合原始分数与其权重（乘法/加法）；
• function_mode：多个 Boost Ranker 之间如何合并（乘法/加法）。
• 当业务有多条规则（例：优先有库存 + 轻微打压低评分 + 增加一点随机探索），可以创建多个Function，然后通过FunctionScore组合，配置：

05

实战：文档检索中提升“官方”文档权重

5.1 场景设定与数据建模

假设我们有一个集合milvus_collection，字段如下：

• id: INT64 主键；

• embedding: FLOAT_VECTOR，content字段的embeddding数据；

• content: VARCHAR，文档内容；

• source: VARCHAR，取值如"official","community","ticket"等。

• is_official: BOOL, 官方文档（即source是official）为True，否则是False。

5.2 创建集合与插入示例数据

from pymilvus import (

MilvusClient,

DataType,

Function,

FunctionType,

)

# 1. 连接 Milvus

client = MilvusClient(uri="http://localhost:19530")

collection_name = "milvus_collection"

# 如果已存在就先删除，方便反复调试

if collection_name in client.list_collections():

client.drop_collection(collection_name)

# 2. 定义 schema

schema = MilvusClient.create_schema(

auto_id=False,

enable_dynamic_field=False,

)

schema.add_field(

field_name="id",

datatype=DataType.INT64,

is_primary=True,

)

schema.add_field(

field_name="content",

datatype=DataType.VARCHAR,

max_length=512,

)

schema.add_field(

field_name="source",

datatype=DataType.VARCHAR,

max_length=32,

)

schema.add_field(

field_name="is_official",

datatype=DataType.BOOL,

)

schema.add_field(

field_name="embedding",

datatype=DataType.FLOAT_VECTOR,

dim=3072,

)

text_embedding_function = Function(

name="openai_embedding",

function_type=FunctionType.TEXTEMBEDDING,

input_field_names=["content"],

output_field_names=["embedding"],

params={

"provider": "openai",

"model_name": "text-embedding-3-large"

}

)

schema.add_function(text_embedding_function)

# 3. 创建 Collection

client.create_collection(

collection_name=collection_name,

schema=schema,

)

# 4. 创建索引

index_params = client.prepare_index_params()

index_params.add_index(

field_name="embedding",

index_type="IVF_FLAT",

metric_type="COSINE",

params={"nlist": 16},

)

client.create_index(

collection_name=collection_name,

index_params=index_params,

)

# 5. 加载 Collection 到内存

client.load_collection(collection_name=collection_name)

docs = [

{

"id": 1,

"content": "如何在 Kubernetes 上部署 Milvus（官方手册）",

"source": "official",

"is_official": True

},

{

"id": 2,

"content": "Milvus 在 Docker Compose 下的快速部署（官方教程）",

"source": "official",

"is_official": True

},

{

"id": 3,

"content": "社区经验：Milvus部署经验之谈",

"source": "community",

"is_official": False

},

{

"id": 4,

"content": "工单记录：Milvus 部署问题",

"source": "ticket",

"is_official": False

},

]

client.insert(

collection_name=collection_name,

data=docs,

)

5.3 定义 Boost Ranker 并执行搜索

我们希望：在语义相关性相近的情况下，Milvus官方文档优先出现。

# 6. 基线搜索（不加 Boost Ranker）

query_vector = "如何部署milvus"

search_params = {

"metric_type": "COSINE",

"params": {"nprobe": 2},

}

results = client.search(

collection_name=collection_name,

data=[query_vector],

anns_field="embedding",

search_params=search_params,

limit=4,

output_fields=["content", "source", "is_official"],

)

print("=== Baseline search (no Boost Ranker) ===")

for hit in results[0]:

entity = hit["entity"]

print(

f"id={hit['id']}, "

f"score={hit['distance']:.4f}, "

f"source={entity['source']}, "

f"is_official={entity['is_official']}"

)

# 7. 定义 Boost Ranker：给 is_official == true 的文档加权

boost_official_ranker = Function(

name="boost_official",

input_field_names=[], # Boost Ranker 要求必须为空列表

function_type=FunctionType.RERANK,

params={

"reranker": "boost", # 指定使用 Boost Ranker

"filter": "is_official==true",

# 对于 COSINE / IP（分数越大越好），使用 >1 的权重进行提升

"weight": 1.2

},

)

boosted_results = client.search(

collection_name=collection_name,

data=[query_vector],

anns_field="embedding",

search_params=search_params,

limit=4,

output_fields=["content", "source", "is_official"],

ranker=boost_official_ranker,

)

print("\n=== Search with Boost Ranker (official boosted) ===")

for hit in boosted_results[0]:

entity = hit["entity"]

print(

f"id={hit['id']}, "

f"score={hit['distance']:.4f}, "

f"source={entity['source']}, "

f"is_official={entity['is_official']}"

)

查询结果

=== Baseline search (no Boost Ranker) ===

id=1, score=0.7351, source=official, is_official=True

id=4, score=0.7017, source=ticket, is_official=False

id=3, score=0.6706, source=community, is_official=False

id=2, score=0.6435, source=official, is_official=True

=== Search with Boost Ranker (official boosted) ===

id=1, score=0.8821, source=official, is_official=True

id=2, score=0.7722, source=official, is_official=True

id=4, score=0.7017, source=ticket, is_official=False

id=3, score=0.6706, source=community, is_official=False

5.4 结果变化背后的逻辑

• 在原始向量相似度差距不大的前提下，is_official == true 的文档更容易出现在前几名；

• 社区 / 工单类文档仍会出现在结果中，只是相对靠后。

• 这正是 Boost Ranker 要解决的问题：把“官方优先”等业务规则叠加到语义检索结果上。

总结

Boost Ranker作为Milvus 2.6的新功能，极大地扩展了向量数据库的灵活性，让搜索不再局限于纯向量相似度，而是能融入业务逻辑，实现更精准的排名。

通过本文的介绍和更真实的实践案例，读者可以快速理解并应用这一功能。在未来，随着AI应用的深化，Boost Ranker将在RAG、推荐和检索系统中发挥更大作用。

作者介绍

Zilliz 黄金写手：臧伟

文章来自于“Zilliz”，作者 “臧伟”。