【Elasticsearch】打分策略详解与explain手把手计算

liyeho

　　分享一篇好文
　　转自：
　　https://blog.csdn.net/molong1208/article/details/50623948
　　一、目的
　　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才可以，否则被问起来为什么这个在前面，那个在后面不好办，因此对Elasticsearch的打分策略详细的看了下，虽然说还不是了解的很全部，但是大部分都看的差不多了，结合理论以及搜索的结果，做一个简单的介绍
　　二、Elasticsearch的打分公式
　　Elasticsearch的默认打分公式是lucene的打分公式，主要分为两部分的计算，一部分是计算query部分的得分，另一部分是计算field部分的得分，下面给出ES官网给出的打分公式：
　　[java] view plain copy
　　score(q,d)  =
　　queryNorm(q)
　　· coord(q,d)
　　· ∑ (
　　tf(t in d)

　　·>　　· t.getBoost()
　　· norm(t,d)
　　) (t in q)
　　在此给每一个部分做一个解释
　　queryNorm(q)：
　　对查询进行一个归一化，不影响排序，因为对于同一个查询这个值是相同的，但是对term于ES来说，必须在分片是1的时候才不影响排序，否则的话，还是会有一些细小的区别，有几个分片就会有几个不同的queryNorm值
　　queryNorm(q)=1 / √sumOfSquaredWeights
　　上述公式是ES官网的公式，这是在默认query boost为1，并且在默认term boost为1 的情况下的打分，其中
　　sumOfSquaredWeights =idf(t1)idf(t1)+idf(t2)idf(t2)+...+idf(tn)*idf(tn)
　　其中n为在query里面切成term的个数，但是上面全部是在默认为1的情况下的计算，实际上的计算公式如下所示：
　　coord(q,d):
　　coord(q,d)是一个协调因子它的值如下：
　　coord(q,d)=overlap/maxoverlap
　　其中overlap是检索命中query中term的个数，maxoverlap是query中总共的term个数，例如查询词为“无线通信”，使用默认分词器，如果文档为“通知他们开会”，只会有一个“通”命中，这个时候它的值就是1/4=0.25
　　tf(t in d):
　　即term t在文档中出现的个数，它的计算公式官网给出的是：
　　tf(t in d) = √frequency
　　即出现的个数进行开方，这个没什么可以讲述的，实际打分也是如此
　　idf(t):
　　这个的意思是出现的逆词频数，即召回的文档在总文档中出现过多少次，这个的计算在ES中与lucene中有些区别，只有在分片数为1的情况下，与lucene的计算是一致的，如果不唯一，那么每一个分片都有一个不同的idf的值，它的计算方式如下所示：
　　idf(t) = 1 + log ( numDocs / (docFreq + 1))
　　其中，log是以e为底的，不是以10或者以2为底，这点需要注意，numDocs是指所有的文档个数，如果有分片的话，就是指的是在当前分片下总的文档个数，docFreq是指召回文档的个数，如果有分片对应的也是在当前分片下召回的个数，这点是计算的时候与lucene不同之处，如果想验证是否正确，只需将分片shard的个数设置为1即可。
　　t.getboost():
　　对于每一个term的权值，没仔细研究这个项，个人理解的是，如果对一个field设置boost，那么如果在这个boost召回的话，每一个term的boost都是该field的boost
　　norm(t,d):
　　对于field的标准化因子，在官方给的解释是field越短，如果召回的话权重越大，例如搜索无线通信，一个是很长的内容，但都是包含这几个字，但是并不是我们想要的，另外一个内容很短，但是完整包含了无线通信，我们不能因为后面的只出现了一次就认为权重是低的，相反，权重应当是更高的，其计算公式如下所示：
　　其中d.getboost表明如果该文档权重越大那么久越重要
　　f.getboost表明该field的权值越大，越重要
　　lengthnorm表示该field越长，越不重要，越短，越重要，在官方文档给出的公式中，默认boost全部为1，在此给出官方文档的打分公式：
　　norm(d) = 1 / √numTerms
　　该值在计算的时候总是无法对上，查询网上的资料说是在打分的时候将结果先进行压缩，然后解压缩，所以结果跟原始值对不上，个人理解有点像量化的过程，因为在实际explain的时候发现该值有一定的规律性
　　三、实际的打分explain
　　在实际的时候，例如搜索“无线通信”，如下图所示，因为一些私人原因，将一些字段打码，查询的时候设置explain为true，如下图所示：

　　因为使用的是默认的分词器，所以最后的结果是将“无线通信”分成了四个字，并且认为是四个term来进行计算，最后将计算的结果进行相加得到最后的得分0.7605926，这个分数是“无”的得分+“线”的得分+“通”的得分+“信”的得分，四个term的得分如下图所示：

　　最后的得分是0.7605926=0.118954286+0.1808154+0.14515185+0.31567，与上述符合，因为四个词都出现了所以在这里面的coord=1,总分数的计算知道后，我们单看每一部分的得分的计算，以“无”为例进行介绍：

　　其中每一个term内部分为两部分的分数，一部分是queryweight，一部分是fieldweight，其中总分数=queryweight*fieldweight
　　例如此处queryweight=0.51195854，fieldWeight=0.2323514，所以总的分数就是0.118954286
　　queryweigth计算：
　　对于queryweight部分的计算分为两个部分idf和querynorm，其中idf的值是2.8618271，这个值是如何计算的呢
　　idf=1+ln(1995/(309+1))=2.8618271,说明在分片四里面共有1995个文档，召回了包含“无”的309个文档，因此为这个值
　　querynorm部分的计算：根据上面“无”“线”“通”“信”四个的分数计算，可以看到，idf的值分别为
　　无：2.8618271
　　线：3.1053379
　　通：2.235371
　　信：2.901306
　　所以按照计算公式
　　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
　　再次总结下此处的公式：queryweight=idf*queryNorm(d)
　　fieldweight部分计算：
　　idf的计算上边已经算过，在此不详细叙述
　　tf的值是在此处出现3次，所以为√3=1.7320508
　　fieldnorm的值不知道如何计算，按照公式计算不出来explain的值，网上资料说是编解码导致的，哪位朋友知道如何计算麻烦回复下，多谢
　　总结下fieldweight部分的计算公式：fieldweight=idftffieldnorm=1.73205082.86182710.046875=0.2323514
　　所以总体的计算就是
　　

　　
score=queryweight*fieldweight=idf*queryNorm(d)*idf*tf*fieldnorm=coord*queryNorm(d)*tf*idf^2*fieldnorm