function_score内容较多,此篇主要是对function_score内容做系统性的讲解,之后会出几篇实际应用的方法,参考以下链接
1- ElasticSearch - function_score (field_value_factor具体实例)
2- ElasticSearch - function_score (衰减函数 linear、exp、gauss 具体实例)
1. 前言
在使用 Elasticsearch
进行全文搜索时,搜索结果默认会以文档的相关度进行排序,如果想要改变默认的排序规则,也可以通过sort
指定一个或多个排序字段。但是使用sort
排序过于绝对,它会直接忽略掉文档本身的相关度(根本不会去计算)。在很多时候这样做的效果并不好,这时候就需要对多个字段进行综合评估,得出一个最终的排序。Elasticsearch
提供了function_score
功能来满足我们的需求。
2. function_score
简介
在使用ES
进行全文搜索时,搜索结果默认会以文档的相关度进行排序,而这个 “文档的相关度”,是可以透过 function_score
自己定义的,也就是说我们可以透过使用function_score
,来控制 “怎麽样的文档相关度更高” 这件事。
function_score
是专门用于处理文档_score
的DSL
,它允许爲每个主查询query
匹配的文档应用加强函数, 以达到改变原始查询评分score
的目的。function_score
会在主查询query
结束后对每一个匹配的文档进行一系列的重打分操作,能够对多个字段一起进行综合评估,且能够使用filter
将结果划分爲多个子集 (每个特性一个filter
),并为每个子集使用不同的加强函数。
3. function_score
参数
3.1 function_score
提供了几种加强_score
计算的函数:
-
weight
: 设置一个简单而不被规范化的权重提升值。
weight
加强函数和boost
参数类似,可以用于任何查询,不过有一点差别是weight
不会被Lucene nomalize
成难以理解的浮点数,而是直接被应用 (boost会被nomalize
)例如当
weight
爲 2 时,最终结果爲new_score = old_score * 2
-
field_value_factor
: 将某个字段的值乘上old_score
。像是将 字段
shareCount
或是 字段likiCount
作爲考虑因素,new_score = old_score * 那个文档的likeCount的值
-
random_score
: 爲每个用户都使用一个不同的随机评分对结果排序,但对某一具体用户来说,看到的顺序始终是一致的。 -
衰减函数 (linear、exp、guass)
: 以某个字段的值为基准,距离某个值越近得分越高。 -
script_score
: 当需求超出以上范围时,可以用自定义脚本完全控制评分计算,不过因为还要额外维护脚本不好维护,因此尽量使用ES提供的评分函数,需求真的无法满足再使用script_score
。
3.2 function_scroe
其他辅助的参数
3.2.1 boost_mode
boost_mode
决定 old_score
和 加强score
如何合并。
multiply(默认)
: new_score = old_score * 加强scoresum
: new_score = old_score + 加强scoremin
: old_score 和 加强score 取较小值,new_score = min(old_score, 加强score)max
: old_score 和 加强score 取较大值,new_score = max(old_score, 加强score)replace
: 加强score直接替换掉old_score,new_score = 加强score
3.2.2 score_mode
score_mode
决定functions
裡面的加强score
们怎麽合併,会先合併加强score们成一个总加强score,再使用总加强score去和old_score做合併,换言之就是会先执行score_mode,再执行boost_mode
。
multiply (默认)
sum
avg
first
: 使用首个函数(可以有filter,也可以没有)的结果作为最终结果。max
min
3.2.3 max_boost
max_boost
: 限制加强函数的最大效果,就是限制加强score最大能多少,但要注意不会限制old_score。
- 如果加强score超过了max_boost限制的值,会把加强score的值设成max_boost的值。
- 假设加强score是5,而max_boost是2,因为加强score超出了max_boost的限制,所以max_boost就会把加强score改为2。简单的说,就是
加强score = min(加强score, max_boost)
4. function_score
查询模板
如果要使用function_score
改变分数,要使用function_score
查询。简单的说,就是在一个function_score
内部的query
的全文搜索得到的_score
基础上,给他加上其他字段的评分标准,就能够得到把 “全文搜索 + 其他字段” 综合起来评分的效果。
4.1 单个加强函数的查询模板
GET 127.0.0.1/mytest/doc/_search
{
"query": {
"function_score": {
"query": {.....}, //主查询,查询完后这裡自己会有一个评分,就是old_score
"field_value_factor": {...}, //在old_score的基础上,给他加强其他字段的评分,这裡会产生一个加强score
,如果只有一个加强function时,直接将加强函数名写在query下面就可以了
"boost_mode": "multiply", //指定用哪种方式结合old_score和加强score成为new_score
"max_boost": 1.5 //限制加强score的最高分,但是不会限制old_score
}
}
}
4.2 多个加强函数的查询模板
如果有多个加强函数,那就要使用functions
来包含这些加强函数们,functions
是一个数组,裡面放著的是将要被使用的加强函数列表。
可以为functions
裡的加强函数指定一个filter
,这样做的话,只有在文档满足此filter
的要求,此filter
的加强函数才会应用到文挡上,也可以不指定filter
,这样的话此加强函数就会应用到全部的文挡上。
一个文档可以一次满足多条加强函数和多个filter
,如果一次满足多个,那麽就会产生多个加强score
,因此ES会使用score_mode
定义的方式来合併这些加强score们,得到一个总加强score,得到总加强score之后,才会再使用boost_mode
定义的方式去和old_score
做合并。
例如: 下面的例子,field_value_factor
和gauss
这两个加强函数会应用到所有文档上,而weight
只会应用到满足filter
的文档上,假设有个文档满足了filter
的条件,那他就会得到3个加强score,这3个加强score会使用sum的方式合併成一个总加强score,然后才和old_score使用multiply的方式合并。
GET 127.0.0.1/mytest/doc/_search
{
"query": {
"function_score": {
"query": {.....},
"functions": [ //可以有多个加强函数(或是filter+加强函数),每一个加强函数会产生一个加强score,因
此functions会有多个加强score
{ "field_value_factor": ... },
{ "gauss": ... },
{ "filter": {...}, "weight": ... }
],
"score_mode": "sum", //决定加强score们怎麽合併,
"boost_mode": "multiply" //決定總加強score怎麼和old_score合併
}
}
}
5. 总结
不要执著在调整function_score
上,文档相关度的调整非常玄,“最相关的文档” 是一个难以触及的模糊概念,每个人对文档排序有著不同的想法,这很容易使人陷入持续反覆调整,但是确没有明显的进展。为了避免跳入这种死循环,在调整function_score
时,一定要搭配监控用户操作,才有意义。
例如:如果返回的文档是用户想要的高相关的文档,那麽用户就会选择前10个中的一个文档,得到想要的结果,反之,用户可能会来回点击,或是尝试新的搜索条件。一旦有了这些监控手段,想要调适完美的function_score
就不是问题。
因此,调整function_score
的重点在于,要透过监控用户、和用户互动,慢慢去调整我们的搜索条件,而不要妄想一步登天,第一次就把文档的相关度调整到最好,这几乎是不可能的,因为,连用户自己也不知道他自己想要什麽。