多向量搜索
Zvec 支持多向量查询，允许你在单次搜索中组合不同的 Embedding。
当查询多个向量 Embedding 时，Zvec 会从每个向量空间中独立检索候选结果。
由于不同向量空间的相似度评分可能无法直接比较，因此需要一个**重排序器（Re-ranker）**来融合并重新排列结果，生成统一的、按相关性排序的列表。
前提条件
本指南假设：
- 你已经打开了一个包含多个向量字段的
collection - 你已经熟悉基本的向量查询概念。如果不熟悉，请先阅读单向量搜索指南
执行多向量搜索
要运行多向量搜索，请将向量查询规范列表传递给 query() 方法，并通过 reranker 参数指定融合策略。
此示例查询 dense_embedding 和 sparse_embedding，并使用 WeightedReranker 来组合结果：
import zvec
result = collection.query(
topk=5, # 从每个向量 Embedding 中检索前 5 个候选结果
vectors=[ # 向量查询列表 — 每个要搜索的 Embedding 空间一个
zvec.VectorQuery(field_name="dense_embedding", vector=[0.1] * 768),
zvec.VectorQuery(field_name="sparse_embedding", vector={1: 0.1, 37: 0.43}),
],
reranker=zvec.WeightedReRanker(
topn=3, # 重排序后返回前 3 个 Document
metric=zvec.MetricType.IP, # 用于解释原始评分的距离类型
weights={ # 给 'dense_embedding' 分配更高的权重
"dense_embedding": 1.2,
"sparse_embedding": 1.0,
},
),
)
print(result)在多向量搜索中，topk 的含义与单向量查询不同：
topk（在query()中）：控制在重排序之前从每个向量字段检索多少候选 Document。更大的topk为重排序器提供更多候选结果，可能提高最终质量但增加计算成本。topn（在ReRanker中）：控制评分融合和重排序之后返回多少最终 Document。这是你的最终结果集大小。
重排序策略
Zvec 提供不同的重排序策略来组合多个向量字段的评分。
| 重排序器 | WeightedReRanker | RrfReRanker（倒数排名融合） |
|---|---|---|
| 方法 | 使用自定义权重组合归一化的相似度评分 | 仅基于排名位置融合结果 — 不需要评分 排名 r 处的 RRF 评分为： |
| 适用场景 | • 不同向量字段之间的评分大致可比 • 你知道每种 Embedding 类型的相对重要性 | • 评分来自不同的度量或尺度 • 你偏好简单、稳健、无需调参的方法 |
| 参数 | • weights：将向量名称映射到其相对重要性的字典 • metric：用于评分归一化的相似度度量 | rank_constant（k）：控制排名影响衰减的速度。更高的值会降低排名靠前的结果的主导地位。 |