25_ElasticSearch 揭秘lucene的相关度分数算法

25_ElasticSearch 揭秘lucene的相关度分数算法

更多干货

分布式实战（干货）
spring cloud 实战（干货）
mybatis 实战（干货）
spring boot 实战（干货）
React 入门实战（干货）
构建中小型互联网企业架构（干货）
python 学习持续更新
ElasticSearch 笔记

一、概述

一个搜索引擎使用的时候必定需要排序这个模块，一般情况下在不选择按照某一字段排序的情况下，都是按照打分的高低进行一个默认排序的，所以如果正式使用的话，必须对默认排序的打分策略有一个详细的了解
对TF/IDF算法，在lucene中，底层，到底进行TF/IDF算法计算的一个完整的公式进行说明
ES官网给出的打分公式：

score(q,d)  =
queryNorm(q)
· coord(q,d)
· ∑ (
tf(t in d)
· idf(t)2
· t.getBoost()
· norm(t,d)
) (t in q)

t 表示term
q 表示 query 表示一个queue. 一个query 里有多个term
d 表示 doc 文档
score(q,d)计算分数的算法. 表示计算一个query对一个doc的分数的公式
queryNorm将分数进行规范化,使分数不会太高。不影响排序
coord() 就是对更加匹配的doc，进行一些分数上的成倍的奖励(奖励那些匹配更多字符的doc更多的分数)
norm() 根据 field-length 进行分数上的奖励。field越短，如果召回的话权重越大
t.getBoost 获取每一个term的权值

二、例子

使用hello world 关键字进行查询
普通multivalue搜索，转换为bool搜索，boolean model

"bool": {
"should": [
{
"match": {
"title": "hello"
}
},
{
"natch": {
"title": "world"
}
}
]
}

二、算法解释

1、lucene practical scoring function

practical scoring function，来计算一个query对一个doc的分数的公式，该函数会使用一个公式来计算**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)

2、公式解释

1、score(q,d) score(q,d) is the relevance score of document d for query q.
这个公式的最终结果，就是说是一个query（叫做q），对一个doc（叫做d）的最终的总评分
2、queryNorm(q) is the query normalization factor (new).
queryNorm，是用来让一个doc的分数处于一个合理的区间内，不要太离谱，举个例子，一个doc分数是10000，一个doc分数是0.1，你们说好不好，肯定不好
3、coord(q,d) is the coordination factor (new).
简单来说，就是对更加匹配的doc，进行一些分数上的成倍的奖励
4、The sum of the weights for each term t in the query q for document d.
求和

3、对求进行解释

∑ (
tf(t in d)
· idf(t)2
· t.getBoost()
· norm(t,d)
) (t in q)

1、∑：求和的符号
2、∑ (t in q)：query中每个term，query = hello world，query中的term就包含了hello和world
query中每个term对doc的分数，进行求和，多个term对一个doc的分数，组成一个vector space，然后计算吗，就在这一步
4、tf(t in d) is the term frequency for term t in document d.
计算每一个term对doc的分数的时候，就是TF/IDF算法
5、idf(t) is the inverse document frequency for term t.
计算IDF算法
6、t.getBoost() is the boost that has been applied to the query (new).
getBoost表明该field的权值越大,越重要
7、 norm(t,d) is the field-length norm, combined with the index-time field-level boost, if any. (new).
字段长度归约是为了让内容较短的字段发挥更大的作用,而内容较长的字段权重相对降低

4、queryNorm(query normalization factor)

是用来让一个doc的分数处于一个合理的区间内，不要太离谱。不影响排序公式：

queryNorm = 1 / √sumOfSquaredWeights

1、sumOfSquaredWeights = 所有term的IDF分数之和，开一个平方根，然后做一个平方根分之1
2、主要是为了将分数进行规范化
2.1 开平方根，首先数据就变小了
2.2 然后还用1去除以这个平方根，分数就会很小
2.3 1.几 / 零点几
3、分数就不会出现几万，几十万，那样的离谱的分数

5、coord (query coodination)

奖励那些匹配更多字符的doc更多的分数
把计算出来的总分数 * 匹配上的term数量 / 总的term数量，让匹配不同term/query数量的doc，分数之间拉开差距
例子：

Document 1 with hello → score: 1.5
Document 2 with hello world → score: 3.0
Document 3 with hello world java → score: 4.5

Document 1 with hello → score: 1.5 * 1 / 3 = 0.5
Document 2 with hello world → score: 3.0 * 2 / 3 = 2.0
Document 3 with hello world java → score: 4.5 * 3 / 3 = 4.5

6、field level boost

相关文章

ElasticSearch 笔记

1_ElasticSearch使用term filter来搜索数据
2_ElasticSearch filter执行原理 bitset机制与caching机制
3_ElasticSearch 基于bool组合多个filter条件来搜索数据
4_ElasticSearch 使用terms搜索多个值
5_ElasticSearch 基于range filter来进行范围过滤
6_ElasticSearch 控制全文检索结果的精准度
7_ElasticSearch term+bool实现的multiword搜索原理
8_基于boost的搜索条件权重控制
9_ElasticSearch 多shard场景下relevance score不准确
10_ElasticSearch dis_max实现best fields策略进行多字段搜索
11_ElasticSearch 基于tie_breaker参数优化dis_max搜索效果
12_ElasticSearch multi_match语法实现dis_max+tie_breaker
13_ElasticSearch multi_match+most fiels策略进行multi-field搜索
14_ElasticSearch 使用most_fields策略进行cross-fields search
15_ElasticSearch copy_to定制组合field进行cross-fields搜索
16_ElasticSearch 使用原生cross-fiels 查询
17_ElasticSearch phrase matching搜索
18_ElasticSearch 基于slop参数实现近似匹配
19_ElasticSearch 使用match和近似匹配实现召回率与精准度的平衡
20_ElasticSearch rescoring机制优化近似匹配搜索的性能
21_ElasticSearch 前缀搜索、通配符搜索、正则搜索
22_ElasticSearch 搜索推荐match_phrase_prefix实现search-time
23_ElsaticSearch 搜索推荐ngram分词机制实现index-time更多干货
24_ElasticSearch TF&IDF算法以及向量空间模型
25_ElasticSearch 揭秘lucene的相关度分数算法
日志管理ELK