Lägga till bedömningsprofiler för att öka sökpoängen

Med bedömningsprofiler kan du öka rangordningen av matchande dokument baserat på kriterier. I den här artikeln får du lära dig hur du anger och tilldelar en bedömningsprofil som ökar en sökpoäng baserat på parametrar som du anger.

Du kan använda bedömningsprofiler för nyckelordssökning, vektorsökning och hybridsökning. Bedömningsprofiler gäller dock endast för icke-bevektorfält, så se till att indexet har text eller numeriska fält som kan användas i en bedömningsprofil. Stöd för bedömningsprofil för vektor- och hybridsökning är tillgängligt i 2024-05-01-preview och 2024-07-01 REST API:er och i Azure SDK-paket som riktar sig till dessa versioner.

Viktiga punkter om bedömningsprofiler

Bedömningsprofilparametrar är antingen:

• Viktade fält, där en matchning hittas i ett specifikt strängfält. Du kanske till exempel vill att matchningar som finns i ett "sammanfattningsfält" ska vara mer relevanta än samma matchning som finns i ett "innehållsfält".

• Funktioner för numeriska data, inklusive datum, intervall och geografiska koordinater. Det finns också en taggar-funktion som fungerar på ett fält som tillhandahåller en godtycklig samling strängar. Du kan välja den här metoden framför viktade fält om du vill öka en poäng baserat på om en matchning hittas i ett taggfält.

Du kan skapa flera profiler och sedan ändra frågelogik för att välja vilken som ska användas.

Du kan ha upp till 100 bedömningsprofiler i ett index (se tjänstbegränsningar), men du kan bara ange en profil i taget i en viss fråga.

Du kan använda semantisk ranker med bedömningsprofiler. När flera ranknings- eller relevansfunktioner är i spel är semantisk rankning det sista steget. Hur sökbedömning fungerar ger en bild.

Bedömningsprofildefinition

En bedömningsprofil heter objekt som definierats i ett indexschema. En bedömningsprofil består av viktade fält, funktioner och parametrar.

Följande definition visar en enkel profil med namnet "geo". Det här exemplet ökar resultaten som har söktermen i fältet hotelName. Den använder distance också funktionen för att gynna resultat som ligger inom 10 kilometer från den aktuella platsen. Om någon söker på termen "inn" och "inn" råkar vara en del av hotellnamnet visas dokument som innehåller hotell med "inn" inom en radie på 10 KM från den aktuella platsen högre i sökresultaten.

"scoringProfiles": [
  {  
    "name":"geo",
    "text": {  
      "weights": {  
        "hotelName": 5
      }                              
    },
    "functions": [
      {  
        "type": "distance",
        "boost": 5,
        "fieldName": "location",
        "interpolation": "logarithmic",
        "distance": {
          "referencePointParameter": "currentLocation",
          "boostingDistance": 10
        }                        
      }                                      
    ]                     
  }            
]

Om du vill använda den här bedömningsprofilen formuleras frågan för att ange parametern scoringProfile i begäran. Om du använder REST API anges frågor via GET- och POST-begäranden. I följande exempel har "currentLocation" en avgränsare av ett enda streck (-). Det följs av longitud- och latitudkoordinater, där longitud är ett negativt värde.

GET /indexes/hotels/docs?search+inn&scoringProfile=geo&scoringParameter=currentLocation--122.123,44.77233&api-version=2024-07-01

Observera syntaxskillnaderna när du använder POST. I POST är "scoringParameters" plural och det är en matris.

POST /indexes/hotels/docs&api-version=2024-07-01
{
    "search": "inn",
    "scoringProfile": "geo",
    "scoringParameters": ["currentLocation--122.123,44.77233"]
}

Den här frågan söker efter termen "inn" och skickar den aktuella platsen. Observera att den här frågan innehåller andra parametrar, till exempel scoringParameter. Frågeparametrar, inklusive "scoringParameter", beskrivs i Sökdokument (REST API).

Se utökat exempel för vektor- och hybridsökning och Utökat exempel för nyckelordssökning för fler scenarier.

Så här fungerar sökpoäng i Azure AI Search

Bedömningsprofiler kompletterar standardbedömningsalgoritmen genom att öka poängen för matchningar som uppfyller profilens kriterier. Bedömningsfunktioner gäller för:

• Textsökning (nyckelord)
• Rena vektorfrågor
• Hybridfrågor med text- och vektorunderfrågor körs parallellt

För fristående textfrågor identifierar bedömningsprofiler de maximala 1 000 matchningarna i en BM25-rankad sökning och de 50 främsta returneras i resultat.

För rena vektorer är frågan endast vektor, men om k-matchande dokument innehåller alfanumeriska fält som en bedömningsprofil kan bearbeta tillämpas en bedömningsprofil. Bedömningsprofilen ändrar resultatuppsättningen genom att öka dokument som matchar kriterierna i profilen.

För textfrågor i en hybridfråga identifierar bedömningsprofiler de maximala 1 000 matchningarna i en BM25-rankad sökning. Men när dessa 1 000 resultat har identifierats återställs de till sin ursprungliga BM25-ordning så att de kan rescored tillsammans med vektorer resulterar i den slutliga RRF-ordningen (Reciprocal Ranking Function), där bedömningsprofilen (identifieras som "slutlig dokumentförstärkningsjustering" i bilden) tillämpas på de sammanfogade resultaten, tillsammans med vektorviktning och semantisk rangordning som det sista steget.

Lägga till en bedömningsprofil i ett sökindex

1. Börja med en indexdefinition. Du kan lägga till och uppdatera bedömningsprofiler i ett befintligt index utan att behöva återskapa det. Använd en begäran om att skapa eller uppdatera index för att publicera en revision.

2. Klistra in mallen i den här artikeln.

3. Ange ett namn som följer namngivningskonventionerna.

4. Ange villkor för att öka. En enskild profil kan innehålla textviktade fält, funktioner eller båda.

Du bör arbeta iterativt med hjälp av en datauppsättning som hjälper dig att bevisa eller motbevisa effekten av en viss profil.

Bedömningsprofiler kan definieras i Azure Portal enligt följande skärmbild eller programmatiskt via REST-API:er eller i Azure SDK:er, till exempel klassen ScoringProfile i Azure SDK för .NET.

Använda textvägda fält

Använd textvägda fält när fältkontexten är viktig och frågor inkluderar searchable strängfält. Om en fråga till exempel innehåller termen "flygplats" kanske du vill att "flygplats" i fältet Beskrivning ska ha större vikt än i HotelName.

Viktade fält är namn/värde-par som består av ett searchable fält och ett positivt tal som används som multiplikator. Om den ursprungliga fältpoängen för HotelName är 3 blir den ökade poängen för fältet 6, vilket bidrar till en högre totalpoäng för själva det överordnade dokumentet.

"scoringProfiles": [  
    {  
      "name": "boostSearchTerms",  
      "text": {  
        "weights": {  
          "HotelName": 2,  
          "Description": 5 
        }  
      }  
    }
]

Använda funktioner

Använd funktioner när enkla relativa vikter är otillräckliga eller inte gäller, vilket är fallet med avstånd och färskhet, som är beräkningar över numeriska data. Du kan ange flera funktioner per bedömningsprofil. Mer information om de EDM-datatyper som används i Azure AI Search finns i Datatyper som stöds.

Regler för att använda funktioner

• Funktioner kan endast tillämpas på fält som tilldelas som filterable.
• Funktionstypen ("freshness", "magnitude", "distance", "tag") måste vara gemen.
• Funktioner kan inte innehålla null- eller tomma värden.
• Funktioner kan bara ha ett enda fält per funktionsdefinition. Om du vill använda magnituden två gånger i samma profil anger du två definitionsstorlekar, en för varje fält.

Template

Det här avsnittet visar syntaxen och mallen för bedömningsprofiler. En beskrivning av egenskaper finns i REST API-referensen.

"scoringProfiles": [  
  {   
    "name": "name of scoring profile",   
    "text": (optional, only applies to searchable fields) {   
      "weights": {   
        "searchable_field_name": relative_weight_value (positive #'s),   
        ...   
      }   
    },   
    "functions": (optional) [  
      {   
        "type": "magnitude | freshness | distance | tag",   
        "boost": # (positive number used as multiplier for raw score != 1),   
        "fieldName": "(...)",   
        "interpolation": "constant | linear (default) | quadratic | logarithmic",   

        "magnitude": {
          "boostingRangeStart": #,   
          "boostingRangeEnd": #,   
          "constantBoostBeyondRange": true | false (default)
        }  

        // ( - or -)  

        "freshness": {
          "boostingDuration": "..." (value representing timespan over which boosting occurs)   
        }  

        // ( - or -)  

        "distance": {
          "referencePointParameter": "...", (parameter to be passed in queries to use as reference location)   
          "boostingDistance": # (the distance in kilometers from the reference location where the boosting range ends)   
        }   

        // ( - or -)  

        "tag": {
          "tagsParameter":  "..."(parameter to be passed in queries to specify a list of tags to compare against target field)   
        }
      }
    ],   
    "functionAggregation": (optional, applies only when functions are specified) "sum (default) | average | minimum | maximum | firstMatching"   
  }   
],   
"defaultScoringProfile": (optional) "...", 

Ange interpoleringar

Interpolationer anger formen på lutningen som används för bedömning. Eftersom poängsättningen är hög till låg minskar lutningen alltid, men interpolationen avgör kurvan för den nedåtgående lutningen. Följande interpoleringar kan användas:

Ange boostDuration för färskhetsfunktionen

boostingDuration är ett attribut för freshness funktionen. Du använder den för att ange en förfalloperiod varefter en ökning stoppas för ett visst dokument. Om du till exempel vill öka en produktlinje eller ett varumärke för en 10-dagars kampanjperiod anger du 10-dagarsperioden som "P10D" för dessa dokument.

boostingDuration måste formateras som ett XSD-värde för "dayTimeDuration" (en begränsad delmängd av ett ISO 8601-varaktighetsvärde). Mönstret för detta är: "P[nD][T[nH][nM][nS]]".

Följande tabell innehåller flera exempel.

Fler exempel finns i XML-schema: Datatyper (W3.org webbplats).

Utökat exempel för vektor- och hybridsökning

Se det här blogginlägget och notebook-filen för en demonstration av hur du använder bedömningsprofiler och dokumentförstärkning i vektor- och generativa AI-scenarier.

Utökat exempel för nyckelordssökning

I följande exempel visas schemat för ett index med två bedömningsprofiler (boostGenre, newAndHighlyRated). Alla frågor mot det här indexet som innehåller någon av profilerna som en frågeparameter använder profilen för att poängsätta resultatuppsättningen.

Profilen boostGenre använder viktade textfält, vilket ökar matchningarna som finns i fälten albumTitle, genre och artistName. Fälten ökas 1,5, 5 respektive 2. Varför ökar genren så mycket högre än de andra? Om sökning utförs över data som är något homogena (vilket är fallet med "genre" i musikarkivindexet), kan du behöva en större varians i de relativa vikterna. I musicstoreindex visas till exempel "rock" som både en genre och i identiskt formulerade genrebeskrivningar. Om du vill att genren ska väga tyngre än genrebeskrivningen behöver genrefältet en mycket högre relativ vikt.

{  
  "name": "musicstoreindex",  
  "fields": [  
    { "name": "key", "type": "Edm.String", "key": true },  
    { "name": "albumTitle", "type": "Edm.String" },  
    { "name": "albumUrl", "type": "Edm.String", "filterable": false },  
    { "name": "genre", "type": "Edm.String" },  
    { "name": "genreDescription", "type": "Edm.String", "filterable": false },  
    { "name": "artistName", "type": "Edm.String" },  
    { "name": "orderableOnline", "type": "Edm.Boolean" },  
    { "name": "rating", "type": "Edm.Int32" },  
    { "name": "tags", "type": "Collection(Edm.String)" },  
    { "name": "price", "type": "Edm.Double", "filterable": false },  
    { "name": "margin", "type": "Edm.Int32", "retrievable": false },  
    { "name": "inventory", "type": "Edm.Int32" },  
    { "name": "lastUpdated", "type": "Edm.DateTimeOffset" }  
  ],  
  "scoringProfiles": [  
    {  
      "name": "boostGenre",  
      "text": {  
        "weights": {  
          "albumTitle": 1.5,  
          "genre": 5,  
          "artistName": 2  
        }  
      }  
    },  
    {  
      "name": "newAndHighlyRated",  
      "functions": [  
        {  
          "type": "freshness",  
          "fieldName": "lastUpdated",  
          "boost": 10,  
          "interpolation": "quadratic",  
          "freshness": {  
            "boostingDuration": "P365D"  
          }  
        },  
        {
          "type": "magnitude",  
          "fieldName": "rating",  
          "boost": 10,  
          "interpolation": "linear",  
          "magnitude": {  
            "boostingRangeStart": 1,  
            "boostingRangeEnd": 5,  
            "constantBoostBeyondRange": false  
          }  
        }  
      ]  
    }  
  ],  
  "suggesters": [  
    {  
      "name": "sg",  
      "searchMode": "analyzingInfixMatching",  
      "sourceFields": [ "albumTitle", "artistName" ]  
    }  
  ]   
}  

Se även

• Relevans och bedömning i Azure AI Search
• REST API-referens
• Skapa index-API
• Azure AI Search .NET SDK
• Vad är bedömningsprofiler?