内置Function函数

函数原型

l2_distance(embeding_field, "query_embedding_string") :

• embedding_field: 文档中embedding字段名称，类型为多值float类型，且需要设置为属性字段。

• query_embedding_string：query中传入的查询embedding，形式为用逗号分割的字符串，如："0.1,0.2,0.3"。

• 返回值：平方欧式距离，结果越小越相关，计算公式如下：

ip_distance :

• embedding_field: 文档中embedding字段名称，类型为多值float类型，且需要设置为属性字段。

• query_embedding_string：query中传入的查询embedding，形式为用逗号分割的字符串，如："0.1,0.2,0.3"。

• 返回值：内积距离，结果越大越相关，计算公式如下：

用法

sort子句

query=user:'1000'&&sort=ip_distance(embeddding,"0.1,0.2,0.3,0.4")

filter子句

query=user:'1000'&&filter=ip_distance(embeddding,"0.1,0.2,0.3,0.4") < 0.4

virtual_attribute

推荐在virtual_attribute中使用，这样得出的分数可以用于过滤，也可以用于排序。

query=title:"开放搜索"&&virtual_attribute=embedding_score:ip_distance(embeddding,"0.1,0.2,0.3,0.4")&&filter=embedding_score < 0.4&&kvpairs=formula:normalize(embedding_score)*0.3 + normalize(text_relevance(title))*0.7

1. query为查询title倒排索引。

2. virtual_attribute: 类似于变量定义，后续在filter和排序阶段都可以使用embedding_score来引用向量值。具体语法见：virtual attribute子句。

3. filter中过滤向量分低的文档，作用与向量查询的sf参数相同。

4. 在formula中将向量分与文本分融合排序，可以使用normalize函数做归一化。