标签：业务 搜索 另一个 master pac documents sdn org field
score在ES中有着很重要的作用，有了它才有了rank，是验证文档相关性的关键数据，score越大代表匹配到的文档相关性越大
查询的时候可以用explain来展示score的计算过程，也可以增加format=yaml来讲json转成yaml方便阅读
类似xxx/_search?explain&format=yaml
下图是通过explain看到的一部分json，其实这个解释中就展示出了计算公式，不得不说ES在这点上还是很人性化的
常说的相关性是指计算一个全文（full-text）字段的内容与全文查询字符串的相似程度的算法。
这个算法默认是BM25，一个基于TF-IDF（term frequency/inverse document frequency）的算法。
首先是TF（term frequency），顾名思义，term在field出现的频率越高，则该term与field的相关性越高。
公式：
sqrt(TF)
然后是IDF（inverse document frequency），term在整个index出现的频率越高，则该term与该document的相关性越低。
公式：
Log(numDocs / docFreq + 1) + 1
BM全称（Best Match），这个名称不得不说有点过分，这个算法也同样有TF和IDF。
TF，BM25把TF的影响范围减小了，不像TF-IDF一样没有边界
公式：
（k+1）* tf /（k + tf），k一般是个常量，[1.2,2]，通过k可以改变回归的速度。
IDF几乎一样，只是多加了1（为了提高其整体影响比重）
BM25新加了另一个特征，Field-length norm，field的长度有多少，如果field的长度越长，则该term与field的相关性越低（分母越大，概率越小）。
公式：
|d|/avgDl（本文档的长度除以平均文档的长度）
下图为不同文档长度对应相同tf所影响最终tf的曲线。
公式：
（k + 1）* tf / k * ( 1.0 - b + b - L + tf) （其中b为常数）
BM25 Field-length norm之间的对比
在TF角度的对比
Score的计算过程依赖query clause（查询子条件），例如：
1.模糊查询计算匹配到的word和原来的word（匹配前的word）的相似度
2.term查询会包含找到该term所占的百分比
个别查询会结合TF-IDF的socre和其它因素，越多的query clause（查询子条件）匹配到，那么score就越高，具体来说，是query clause匹配得到的score联合起来计算出最终的score。
需要注意的是，TF-IDF默认是基于shard来计算的，假设1个index有5个shards，则就有5个TF-IDF的结果，也就是5个score，然后score再汇聚到request node，做排序后得到最终结果。所以这有产生了另一个问题，当index的documents数量较少时，score的结果会不准确，毕竟不是全局的，shard也只是通过hash来区分，有很大的随机性和偶然性。针对这种情况，ES给出了DFS Query Then Fetch（默认是采用Query Then Fetch）这种解决方案，采用全局计算TF-IDF的方式，解决这个问题，在查询的时候可以这么设置
search_type=dfs_query_then_fetch
（不过会影响效率，毕竟是全局计算，多了几次socket传输）。其实还有一种解决方法，直接把index的shard设置成1，这样自己就代表了全局。
稍微解释一下Query Then Fetch，顾名思义，是先查询后获取。
查询流程如下
刚接触score的时候，总有疑惑，为什么不是一个百分比，这样可能更加直观的表现出匹配到正确的概率，也就是术语”normalized socre”。
这么想是错误的!
Score的意义仅仅在于对比一次查询的多个结果的对比，起到rank作用，并不能代表匹配到的概率，更不能拿几个匹配到的概率做比较，比如：当一个document本身没有发生变化，但是index发生变化，就会影响匹配到document的sorce。这样的概率是没什么意义的，虽然你可以强行造出一个概率。
在做业务的过程中领悟到，搜索系统和推荐系统不是一个系统（之前没想过这个问题），重要区别之一就是主动和被动，详细看这篇博客吧，说的很详细了
http://blog.csdn.net/cserchen/article/details/50422553
//官方对相关性的解释，也就是score的计算标准
https://www.elastic.co/guide/en/elasticsearch/guide/master/relevance-intro.html
//当你的数据很少时，请用DFS Query Then Fetch搜索方法
https://www.elastic.co/blog/understanding-query-then-fetch-vs-dfs-query-then-fetch
//ES的两个搜索方法
https://www.elastic.co/guide/en/elasticsearch/reference/current/search-request-search-type.html
//ES官方解释的BM25和TF-IDF区别
https://www.elastic.co/blog/found-similarity-in-elasticsearch
//外国友人对BM25和TF-IDF的解读
http://opensourceconnections.com/blog/2015/10/16/bm25-the-next-generation-of-lucene-relevation/
//外国友人吐槽 当score变成percentage的后果
https://wiki.apache.org/lucene-java/ScoresAsPercentages
标签：业务 搜索 另一个 master pac documents sdn org field
原文地址：http://www.cnblogs.com/ulysses-you/p/6958808.html
