一、目的
一個(gè)搜索引擎使用的時(shí)候必定需要排序這個(gè)模塊，一般情況下在不選擇按照某一字段排序的情況下，都是按照打分的高低進(jìn)行一個(gè)默認(rèn)排序的，所以如果正式使用的話，必須對(duì)默認(rèn)排序的打分策略有一個(gè)詳細(xì)的了解才可以，否則被問起來為什么這個(gè)在前面，那個(gè)在后面不好辦，因此對(duì)Elasticsearch的打分策略詳細(xì)的看了下，雖然說還不是了解的很全部，但是大部分都看的差不多了，結(jié)合理論以及搜索的結(jié)果，做一個(gè)簡(jiǎn)單的介紹
二、Elasticsearch的打分公式
Elasticsearch的默認(rèn)打分公式是lucene的打分公式，主要分為兩部分的計(jì)算，一部分是計(jì)算query部分的得分，另一部分是計(jì)算field部分的得分，下面給出ES官網(wǎng)給出的打分公式：
score(q,d) = queryNorm(q) · coord(q,d) · ∑ ( tf(t in d) · idf(t)2 · t.getBoost() · norm(t,d) ) (t in q)
在此給每一個(gè)部分做一個(gè)解釋
queryNorm(q)：
對(duì)查詢進(jìn)行一個(gè)歸一化，不影響排序，因?yàn)閷?duì)于同一個(gè)查詢這個(gè)值是相同的，但是對(duì)term于ES來說，必須在分片是1的時(shí)候才不影響排序，否則的話，還是會(huì)有一些細(xì)小的區(qū)別，有幾個(gè)分片就會(huì)有幾個(gè)不同的queryNorm值
queryNorm(q)=1 / √sumOfSquaredWeights
上述公式是ES官網(wǎng)的公式，這是在默認(rèn)query boost為1，并且在默認(rèn)term boost為1 的情況下的打分，其中
sumOfSquaredWeights =idf(t1)idf(t1)+idf(t2)idf(t2)+...+idf(tn)*idf(tn)
其中n為在query里面切成term的個(gè)數(shù)，但是上面全部是在默認(rèn)為1的情況下的計(jì)算，實(shí)際上的計(jì)算公式如下所示：
[圖片上傳失敗...(image-76f0eb-1531707755914)]
coord(q,d):
coord(q,d)是一個(gè)協(xié)調(diào)因子它的值如下：
coord(q,d)=overlap/maxoverlap
其中overlap是檢索命中query中term的個(gè)數(shù)，maxoverlap是query中總共的term個(gè)數(shù)，例如查詢?cè)~為“無線通信”，使用默認(rèn)分詞器，如果文檔為“通知他們開會(huì)”，只會(huì)有一個(gè)“通”命中，這個(gè)時(shí)候它的值就是1/4=0.25
tf(t in d):
即term t在文檔中出現(xiàn)的個(gè)數(shù)，它的計(jì)算公式官網(wǎng)給出的是：
tf(t in d) = √frequency
即出現(xiàn)的個(gè)數(shù)進(jìn)行開方，這個(gè)沒什么可以講述的，實(shí)際打分也是如此
idf(t):
這個(gè)的意思是出現(xiàn)的逆詞頻數(shù)，即召回的文檔在總文檔中出現(xiàn)過多少次，這個(gè)的計(jì)算在ES中與lucene中有些區(qū)別，只有在分片數(shù)為1的情況下，與lucene的計(jì)算是一致的，如果不唯一，那么每一個(gè)分片都有一個(gè)不同的idf的值，它的計(jì)算方式如下所示：
idf(t) = 1 + log ( numDocs / (docFreq + 1))
其中，log是以e為底的，不是以10或者以2為底，這點(diǎn)需要注意，numDocs是指所有的文檔個(gè)數(shù)，如果有分片的話，就是指的是在當(dāng)前分片下總的文檔個(gè)數(shù)，docFreq是指召回文檔的個(gè)數(shù)，如果有分片對(duì)應(yīng)的也是在當(dāng)前分片下召回的個(gè)數(shù)，這點(diǎn)是計(jì)算的時(shí)候與lucene不同之處，如果想驗(yàn)證是否正確，只需將分片shard的個(gè)數(shù)設(shè)置為1即可。
t.getboost():
對(duì)于每一個(gè)term的權(quán)值，沒仔細(xì)研究這個(gè)項(xiàng)，個(gè)人理解的是，如果對(duì)一個(gè)field設(shè)置boost，那么如果在這個(gè)boost召回的話，每一個(gè)term的boost都是該field的boost
norm(t,d):
對(duì)于field的標(biāo)準(zhǔn)化因子，在官方給的解釋是field越短，如果召回的話權(quán)重越大，例如搜索無線通信，一個(gè)是很長(zhǎng)的內(nèi)容，但都是包含這幾個(gè)字，但是并不是我們想要的，另外一個(gè)內(nèi)容很短，但是完整包含了無線通信，我們不能因?yàn)楹竺娴闹怀霈F(xiàn)了一次就認(rèn)為權(quán)重是低的，相反，權(quán)重應(yīng)當(dāng)是更高的，其計(jì)算公式如下所示：
[圖片上傳失敗...(image-1f3f8e-1531707755914)]
[圖片上傳失敗...(image-d59e87-1531707755914)]
其中d.getboost表明如果該文檔權(quán)重越大那么久越重要
f.getboost表明該field的權(quán)值越大，越重要
lengthnorm表示該field越長(zhǎng)，越不重要，越短，越重要，在官方文檔給出的公式中，默認(rèn)boost全部為1，在此給出官方文檔的打分公式：
norm(d) = 1 / √numTerms
該值在計(jì)算的時(shí)候總是無法對(duì)上，查詢網(wǎng)上的資料說是在打分的時(shí)候?qū)⒔Y(jié)果先進(jìn)行壓縮，然后解壓縮，所以結(jié)果跟原始值對(duì)不上，個(gè)人理解有點(diǎn)像量化的過程，因?yàn)樵趯?shí)際explain的時(shí)候發(fā)現(xiàn)該值有一定的規(guī)律性
三、實(shí)際的打分explain
在實(shí)際的時(shí)候，例如搜索“無線通信”，如下圖所示，因?yàn)橐恍┧饺嗽?，將一些字段打碼，查詢的時(shí)候設(shè)置explain為true，如下圖所示：
因?yàn)槭褂玫氖悄J(rèn)的分詞器，所以最后的結(jié)果是將“無線通信”分成了四個(gè)字，并且認(rèn)為是四個(gè)term來進(jìn)行計(jì)算，最后將計(jì)算的結(jié)果進(jìn)行相加得到最后的得分0.7605926，這個(gè)分?jǐn)?shù)是“無”的得分+“線”的得分+“通”的得分+“信”的得分，四個(gè)term的得分如下圖所示：
[圖片上傳失敗...(image-335552-1531707755914)]
[圖片上傳失敗...(image-d9c603-1531707755914)]
[圖片上傳失敗...(image-149c75-1531707755914)]
最后的得分是0.7605926=0.118954286+0.1808154+0.14515185+0.31567，與上述符合，因?yàn)樗膫€(gè)詞都出現(xiàn)了所以在這里面的coord=1,總分?jǐn)?shù)的計(jì)算知道后，我們單看每一部分的得分的計(jì)算，以“無”為例進(jìn)行介紹：
[圖片上傳失敗...(image-36020a-1531707755914)]
其中每一個(gè)term內(nèi)部分為兩部分的分?jǐn)?shù)，一部分是queryweight，一部分是fieldweight，其中總分?jǐn)?shù)=queryweight*fieldweight
例如此處queryweight=0.51195854，fieldWeight=0.2323514，所以總的分?jǐn)?shù)就是0.118954286
queryweigth計(jì)算：
對(duì)于queryweight部分的計(jì)算分為兩個(gè)部分idf和querynorm，其中idf的值是2.8618271，這個(gè)值是如何計(jì)算的呢
idf=1+ln(1995/(309+1))=2.8618271,說明在分片四里面共有1995個(gè)文檔，召回了包含“無”的309個(gè)文檔，因此為這個(gè)值
querynorm部分的計(jì)算：根據(jù)上面“無”“線”“通”“信”四個(gè)的分?jǐn)?shù)計(jì)算，可以看到，idf的值分別為
無：2.8618271
線：3.1053379
通：2.235371
信：2.901306
所以按照計(jì)算公式
querynorm=1 / √2.8618271*2.8618271+3.1053379*3.1053379+2.235371*2.235371+2.901306*2.901306=0.1788922
所以queryweight部分的值是0.1788922*2.8618271=0.51195854
再次總結(jié)下此處的公式：queryweight=idf*queryNorm(d)
fieldweight部分計(jì)算：
idf的計(jì)算上邊已經(jīng)算過，在此不詳細(xì)敘述
tf的值是在此處出現(xiàn)3次，所以為√3=1.7320508
fieldnorm的值不知道如何計(jì)算，按照公式計(jì)算不出來explain的值，網(wǎng)上資料說是編解碼導(dǎo)致的，哪位朋友知道如何計(jì)算麻煩回復(fù)下，多謝
總結(jié)下fieldweight部分的計(jì)算公式：fieldweight=idftffieldnorm=1.73205082.86182710.046875=0.2323514
所以總體的計(jì)算就是
score=queryweight*fieldweight=idf*queryNorm(d)*idf*tf*fieldnorm=coord*queryNorm(d)*tf*idf^2*fieldnorm
四、參考文檔
http://www.cnblogs.com/forfuture1978/archive/2010/03/07/1680007.html
https://www.elastic.co/guide/en/elasticsearch/guide/current/scoring-theory.html#field-norm
本文摘自 CSDN https://blog.csdn.net/molong1208/article/details/50623948/ 這兒僅做學(xué)習(xí)記錄。
