Elasticsearch-相关性算分：BM25算法【对TFIDF算法的优化；即：词频超过一定数量，超过的那部分不进行算分】【ES5.0之前默认的相关性算法是 TF-IDF，之后则默认采用BM25】

相关性算分：指文档与查询语句间的相关度，通过倒排索引可以获取与查询语句相匹配的文档列表

如何将最符合用户查询需求的文档放到前列呢？本质问题是一个排序的问题，排序的依据是相关性算分，确定倒排索引哪个文档排在前面

影响相关度算分的参数：
1、TF(Term Frequency)：词频，即单词在文档中出现的次数，词频越高，相关度越高
2、Document Frequency(DF)：文档词频，即单词出现的文档数
3、IDF(Inverse Document Frequency)：逆向文档词频，与文档词频相反，即1/DF。即单词出现的文档数越少，相关度越高（如果一个单词在文档集出现越少，算为越重要单词）
4、Field-length Norm：文档越短，相关度越高

一、TF-IDF算法

二、BM25模型（5.X之后的默认模型）

对TF-IDF算法进行优化

BM25相比TF/IDF的一大优化是降低了tf在过大时的权重，避免词频对查询影响过大

总结一句话就是：BM25算法的优化，如果你单个词超过一定数量，这个词超过的那部分，将不进行算分！

---

---

---

参考资料：
ES系列13：彻底掌握相关度：从TF-IDF、BM25到对相关度的控制
es的相关性算分-BM25算法：词频超过一定数量，超过的那部分不进行算分