$scoreFusion (집계)

및 $rankFusion $scoreFusion 단계는 미리보기 기능으로 사용할 수 있습니다.자세한 학습 은 미리보기 기능 을 참조하세요.

중요

$scoreFusion MongoDB 8.2+를 사용하는 배포서버에만 사용할 수 있습니다.

정의

$scoreFusion

$scoreFusion 먼저 모든 입력 파이프라인을 독립적으로 실행한 다음 입력 파이프라인 결과를 중복 제거하고 최종 점수 결과 설정하다 로 결합합니다.

$scoreFusion 입력 파이프라인의 문서 점수와 가중치를 기반으로 순위가 매겨진 문서 설정하다 출력합니다. 파이프라인 단계의 입력 점수를 기반으로 점수를 계산하는 산술 표현식 지정할 수 있습니다. 기본값 으로 다양한 입력 파이프라인 단계의 문서 점수 평균을 사용합니다.

여러 기준을 기반으로 단일 컬렉션 에서 문서를 검색 하고 지정된 모든 기준을 설정하다 최종 점수 결과 집합을 조회 $scoreFusion 를 사용합니다.

구문

이 단계에는 다음 구문이 있습니다.

{ $scoreFusion: {
    input: {
      pipelines: {
            <input-pipeline-name>: <expression>,
            <input-pipeline-name>: <expression>,
            ...
      },
      normalization: "none|sigmoid|minMaxScaler"
    },
    combination: {
      weights: {
            <input-pipeline-name>: <numeric expression>,
            <input-pipeline-name>: <numeric expression>,
            ...
      },
      method: "avg|expression",
      expression: <expression>
    }
} }

필드

$scoreFusion 은(는) 다음 필드를 사용합니다.

필드	유형	설명
`input`	객체	`$scoreFusion` 가 결합하는 입력을 정의합니다.
`input.pipelines`	객체	해당 파이프라인 정의하는 집계 단계에 대한 파이프라인 이름 맵이 포함되어`input.pipelines` 있습니다. 에는 파이프라인 하나 이상 포함되어야 합니다.`$score` 입력 파이프라인 점수를 반환하지 않는 경우 입력 파이프라인 에 를 지정해야 합니다. 모든 파이프라인은 동일한 컬렉션 에서 작동해야 하며 고유한 이름을 가져야 합니다. 입력 파이프라인 제한 사항에 대한 자세한 내용은 입력 파이프라인 및 입력 파이프라인 이름을 참조하세요.
`input.normalization`	문자열	결과를 결합하기 전에 점수를 `0` ~ `1` 범위 로 정규화합니다. 값은 다음과 같습니다. `none` - 정규화하지 않습니다. `sigmoid` - 표현식 적용 `$sigmoid` . `minMaxScaler` - 창 연산자 적용 `$minMaxScaler` .
`combination`	객체	선택 사항. `input` 파이프라인 결과를 결합하는 방법을 정의합니다.
`combination.weights`	객체	선택 사항. 결과를 결합할 때 정규화된 입력 파이프라인 점수에 적용 할 가중치입니다. 파이프라인 라인에 해당합니다. 파이프라인의 가중치가 지정되지 않은 경우 기본값 가중치는 `1` 입니다. 각 가중치 값은 음수가 아닌 숫자(정수 또는 소수)여야 합니다. 가중치는 `0`일 수 있습니다.
`combination.method`	문자열	선택 사항. 점수를 결합하는 방법을 지정합니다. 값은 다음과 같습니다. `avg` - 입력 점수의 평균을 계산합니다. `expression` - `combination.expression` 필드 에 지정한 사용자 지정 집계 표현식 적용 . 생략하는 경우 기본값은 `avg`입니다.
`combination.expression`	산술 표현식	선택 사항. 입력 점수를 결합하는 로직을 지정합니다. 이는 `combination.method` 이 `expression`로 설정하다 경우 사용되는 사용자 지정 표현식 입니다. 표현식 내에서 입력 파이프라인 의 이름을 사용하여 문서 의 해당 입력 점수를 나타냅니다. `combination.weights`와 상호 배타적입니다.
`scoreDetails`	부울	선택 사항. 각 입력 파이프라인 의 자세한 점수 정보를 출력 문서의 메타데이터 에 포함할지 여부를 지정합니다. 생략하면 기본값 `false`입니다.

행동

컬렉션

$scoreFusion 는 단일 컬렉션 에만 사용할 수 있습니다. 데이터베이스 범위에서는 이 집계 단계를 사용할 수 없습니다.

De-Duplication

$scoreFusion 최종 출력에서 여러 입력 파이프라인에서 결과의 중복을 제거합니다. 각 고유 입력 문서 입력 파이프라인 출력에 문서 나타나는 횟수에 관계없이 $scoreFusion 출력에 최대 한 번 표시됩니다.

입력 파이프라인

각 input 파이프라인 선택 파이프라인인 동시에 채점 파이프라인이어야 합니다.

선택 파이프라인

선택 파이프라인은 검색 후 수정을 수행하지 않고 컬렉션 에서 문서 설정하다 검색합니다. $scoreFusion 은(는) 서로 다른 입력 파이프라인의 문서를 비교하므로 모든 입력 파이프라인이 수정되지 않은 동일한 문서를 출력해야 합니다.

선택 파이프라인 다음 단계만 포함되어야 합니다.

유형	단계
검색 단계	`$match`,`$match` 레거시 텍스트 검색 사용하는 포함 `$geoNear` `$search` `$vectorSearch` 참고 선택 파이프라인 에서 `$geoNear` 를 사용하는 경우 `includeLogs` 또는 `distanceField` 필드가 문서를 수정하므로 지정할 수 없습니다.
주문 단계	`$sort`
페이지 매김 단계	`$skip` `$limit`

점수 산정 파이프라인

점수 파이프라인 문서 점수에 따라 문서를 정렬하거나 정렬합니다. $scoreFusion 은(는) 점수가 매겨진 파이프라인 결과의 순서를 사용하여 출력 점수에 영향을 줍니다. 점수 산정 파이프라인은 다음 기준 중 하나를 충족해야 합니다.

다음의 순서가 지정된 단계 중 하나부터 시작합니다.
- $search
- $vectorSearch
- $match 레거시 텍스트 검색 사용
- $geoNear
이전 파이프라인 본질적으로 점수를 반환하지 않는 경우 명시적 $score 단계를 포함합니다.

입력 파이프라인 이름

input 의 파이프라인 이름은 다음 제한 사항을 충족해야 합니다.

빈 문자열이 아니어야 합니다.
다음으로 시작하면 안 됩니다. $
문자열의 어느 곳에도 ASCII null 문자 구분 기호 \0 를 포함하지 않아야 합니다.
다음을 포함해서는 안 됩니다. .

점수 세부 정보

scoreDetails 을(를) true(으)로 설정하다 $scoreFusion 이(가) 각 문서 에 대해 scoreDetails 메타데이터 필드 생성합니다. scoreDetails 필드 에는 최종 순위에 대한 정보가 포함되어 있습니다.

참고

scoreDetails 을(를) true(으)로 설정하다 $scoreFusion 이(가) 각 문서 에 대해 scoreDetails 메타데이터 필드 설정합니다. 기본값 으로 scoreDetails 메타필드를 자동으로 출력하지 않습니다.

메타데이터 필드 보려면 scoreDetails , 또는 와 $project $addFields같은 단계에서 $meta 표현식 통해 명시적으로 설정하다 해야 $set 합니다.

scoreDetails 필드 에는 다음과 같은 하위 필드가 포함되어 있습니다.

필드	설명
`value`	이 문서 에 대한 점수의 숫자 값입니다.
`description`	`$scoreFusion` 이(가) 최종 점수를 계산한 방법에 대한 설명입니다.
`normalization`	점수를 정규화하는 데 사용되는 정규화 메서드입니다.
`combination`	파이프라인 결과를 결합하는 데 사용되는 결합 메서드 및 표현식 .
`details`	각 배열 항목에 이 문서 출력하는 입력 파이프라인에 대한 정보가 포함된 배열 입니다.

details 필드 의 각 배열 항목에는 다음 하위 필드가 포함되어 있습니다.

필드	설명
`inputPipelineName`	이 문서 출력하는 입력 파이프라인 의 이름입니다.
`inputPipelineRawScore`	정규화 전 파이프라인 의 문서 점수입니다.
`weight`	입력 파이프라인 의 가중치입니다.
`value`	선택 사항. 입력 파이프라인 이 문서 에 대해 `{ $meta: 'score' }` 를 출력하면 `value` 에 `{ $meta: 'score' }`가 포함됩니다.
`details`	입력 파이프라인 의 `scoreDetails` 필드 . 입력 파이프라인 `scoreDetails` 필드 출력하지 않는 경우 이 필드 빈 배열 입니다.

경고

MongoDB scoreDetails에 대한 특정 출력 형식을 보장하지 않습니다.

예시

다음 코드 블록은 $search, $vectorSearch 및 $match 입력 파이프라인이 있는 $scoreFusion 작업의 scoreDetails 필드 보여줍니다.

  scoreDetails: {
  value: 7.847857250621068,
  description: 'the value calculated by combining the scores (either normalized or raw) across input pipelines from which this document is output from:',
  normalization: 'sigmoid',
  combination: {
    method: 'custom expression',
    expression: "{ string: { $sum: [ { $multiply: [ '$$searchOne', 10 ] }, '$$searchTwo' ] } }"
  },
  details: [
    {
      inputPipelineName: 'searchOne',
      inputPipelineRawScore: 0.7987099885940552,
      weight: 1,
      value: 0.6896984675751023,
      details: []
    },
    {
      inputPipelineName: 'searchTwo',
      inputPipelineRawScore: 2.9629626274108887,
      weight: 1,
      value: 0.950872574870045,
      details: []
    }
  ]
}

결과 설명

MongoDB $scoreFusion 연산을 기존 집계 단계 설정하다 로 변환하여, 이를 조합하여 쿼리 실행 전에 출력 결과를 계산합니다. $scoreFusion 작업에 대한 결과 설명은 가 $scoreFusion 최종 결과를 구성하는 데 사용하는 기본 집계 단계의 전체 실행을 보여줍니다.

예시

이 예시 임베딩 및 텍스트 필드가 있는 컬렉션 사용합니다. 컬렉션 에 search 및 vectorSearch 유형 인덱스를 만듭니다.

다음 인덱스 정의는 인덱싱된 필드에 대해 쿼리를 실행 위해 컬렉션 에서 동적으로 인덱싱할 수 있는 모든 필드를 자동으로 인덱싱합니다.$search

검색 인덱스

db.embedded_movies.createSearchIndex(
   "<INDEX_NAME>",
   {
      mappings: { dynamic: true }
   }
)

다음 인덱스 정의는 해당 필드 에 대해 쿼리를 실행 위해 컬렉션 의 임베딩이 $vectorSearch 있는 필드 를 인덱싱합니다.

vectorSearch 인덱스

db.embedded_movies.createSearchIndex(
   "<INDEX_NAME>",
   "vectorSearch",
   {
      "fields": [
         {
            "type": "vector",
            "path": "<FIELD_NAME>",
            "numDimensions": <NUMBER_OF_DIMENSIONS>,
            "similarity": "dotProduct"
         }
      ]
   }
);

다음 집계 파이프라인 다음 입력 파이프라인과 함께 $scoreFusion 을(를) 사용합니다.

파이프라인	반환된 문서 수	설명
`searchOne`	20	임베딩으로 지정된 텀 에 대해 `vector` 유형으로 인덱싱된 필드 에서 벡터 검색 실행합니다. 이 쿼리 최대 500 개의 가장 가까운 이웃을 고려하지만 결과를 20 개의 문서로 제한합니다.
`searchTwo`	20	동일한 텀 에 대해 전체 텍스트 검색 실행하고 결과를 20 개 문서로 제한합니다.

1 db.embedded_movies.aggregate( [
2    {
3       $scoreFusion: {
4          input: {
5             pipelines: {
6                searchOne: [
7                   {
8                      "$vectorSearch": {
9                         "index": "<INDEX_NAME>",
10                         "path": "<FIELD_NAME>",
11                         "queryVector": <QUERY_EMBEDDINGS>,
12                         "numCandidates": <NUMBER_OF_NEAREST_NEIGHBORS_TO_CONSIDER>,
13                         "limit": <NUBMER_OF_DOCUMENTS_TO_RETURN>
14                      }
15                   }
16                ],
17                searchTwo: [
18                   {
19                      "$search": {
20                         "index": "<INDEX_NAME>",
21                         "text": {
22                            "query": "<QUERY_TERM>",
23                            "path": "<FIELD_NAME>"
24                         }
25                      }
26                   },
27                ]
28             },
29             normalization: "sigmoid"
30          },
31          combination: {
32             method: "expression",
33             expression: {
34                $sum: [
35                  {$multiply: [ "$$searchOne", 10]}, "$$searchTwo"
36                ]
37             }
38          },
39          "scoreDetails": true
40       }
41    },
42    {
43       "$project": {
44          _id: 1,
45          title: 1,
46          plot: 1,
47          scoreDetails: {"$meta": "scoreDetails"}
48       }
49    },
50    { $limit: 20 }
51 ] )

이 파이프라인 다음 조치를 수행합니다.

input 파이프라인을 실행합니다.
반환된 결과를 결합합니다.
$scoreFusion 파이프라인 의 상위 20 순위 결과인 첫 번째 20 문서를 출력합니다.

돌아가기

$score

MongoDB 집계 파이프라인 단계를 사용하여

1	db.embedded_movies.aggregate( [
2	{
3	$scoreFusion: {
4	input: {
5	pipelines: {
6	searchOne: [
7	{
8	"$vectorSearch": {
9	"index": "<INDEX_NAME>",
10	"path": "<FIELD_NAME>",
11	"queryVector": <QUERY_EMBEDDINGS>,
12	"numCandidates": <NUMBER_OF_NEAREST_NEIGHBORS_TO_CONSIDER>,
13	"limit": <NUBMER_OF_DOCUMENTS_TO_RETURN>
14	}
15	}
16	],
17	searchTwo: [
18	{
19	"$search": {
20	"index": "<INDEX_NAME>",
21	"text": {
22	"query": "<QUERY_TERM>",
23	"path": "<FIELD_NAME>"
24	}
25	}
26	},
27	]
28	},
29	normalization: "sigmoid"
30	},
31	combination: {
32	method: "expression",
33	expression: {
34	$sum: [
35	{$multiply: [ "$$searchOne", 10]}, "$$searchTwo"
36	]
37	}
38	},
39	"scoreDetails": true
40	}
41	},
42	{
43	"$project": {
44	_id: 1,
45	title: 1,
46	plot: 1,
47	scoreDetails: {"$meta": "scoreDetails"}
48	}
49	},
50	{ $limit: 20 }
51	] )