Elasticsearch自定义评分的多种方法

最新推荐文章于 2024-10-15 12:30:00 发布

幻想世界中的绚丽色彩

最新推荐文章于 2024-10-15 12:30:00 发布

阅读量296

点赞数 1

CC 4.0 BY-SA版权

文章标签： elasticsearch jenkins 大数据

本文链接：https://blog.youkuaiyun.com/BugCrusher/article/details/132552404

大数据专栏收录该内容

183 篇文章 ¥59.90 ¥99.00

订阅专栏

本文介绍了Elasticsearch中实现自定义评分的三种方法：函数评分、脚本评分和Boosting查询。这些方法允许根据特定需求调整搜索结果排序，提高搜索灵活性和准确性。示例包括使用评分函数基于文档"views"字段计算评分，使用脚本评分自定义计算逻辑，以及通过Boosting查询调整不同查询的权重。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Elasticsearch自定义评分的多种方法

在大数据领域，Elasticsearch是一个广泛使用的开源搜索和分析引擎。它提供了强大的搜索功能，并支持通过自定义评分机制来调整搜索结果的排序。在本文中，我们将探讨Elasticsearch中实现自定义评分的几种方法，并提供相应的源代码示例。

方法一：函数评分（Function Score）

函数评分是Elasticsearch中实现自定义评分的一种常用方法。它允许我们定义一个或多个评分函数，并根据这些函数的结果来影响搜索结果的排序。以下是一个示例，演示了如何使用函数评分来自定义评分：

GET /index/_search
{
   
   
  "query": {
   
   
    "function_score":

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

幻想世界中的绚丽色彩

关注关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

订阅专栏

Elasticsearch 自定义评分和脚本评分

Dxy1239310216的博客

07-07

915

自定义评分允许我们根据一组预定义的函数来修改每个文档的默认评分。这些函数可以基于文档的字段值、查询条件或其他因素来计算新的评分。最终，Elasticsearch会将原始评分与自定义评分结合，以决定搜索结果的排序。脚本评分允许我们使用自定义的脚本语言（如Painless）来计算文档的评分。这种方式提供了最大的灵活性，可以根据几乎任何逻辑来计算评分。自定义评分和脚本评分是Elasticsearch提供的强大功能，它们允许我们根据业务需求对搜索结果进行精细化的排序。

elasticsearch6.x自定义分词插件

11-20

自定义了es6分词插件，其中分词逻辑已被封装到接口中，接收文本，调用接口，输出分词结果参考文章：https://blog.youkuaiyun.com/frankcheng5143/article/details/82870319

参与评论您还未登录，请先登录后发表或查看评论

elasticsearch 自定义评分

wq123123423432的博客

06-26

261

1Index Boost 索引层面修改相关性 2boosting 修改文档相关性 3negative_boost 降低相关性 4 function_score 自定义评分（script_score，field_value_factor） 5查询后二次打分rescore_query

ElasticSearch自定义评分-看这篇就够了

W2044377578的博客

01-12

4766

ElasticSearch自定义评分

Elasticsearch 查询之Function Score Query

三劫散仙

08-18

2715

ES 的主查询评分模式分为两种，是信息检索领域的重要算法： TF-IDF 算法和 BM25 算法。Elasticsearch 从版本 5.0 开始引入了 BM25 算法作为默认的文档评分（relevance scoring）算法。在此之前，Elasticsearch 使用的是 TF-IDF 算法作为默认的文档评分算法。从版本 5.0 起，BM25 算法取代了 TF-IDF，成为了默认的算法，用于计算文档与查询之间的相关性得分。

ElasticSearch 自定义评分function_score

qq_35270686的博客

07-19

1625

elasticsearch function_score

Elasticsearch 定制评分（自定义评分）

hhhzua的专栏

07-06

2655

Elasticsearch 的相似度算法被定义为检索词频率/反向文档频率， TF/IDF 。一. 相关概念：检索词频率：tf 词 t 在文档 d 的词频（ tf ）是该词在文档中出现次数的平方根。 tf(t in d) = √frequency 检索词在该字段出现的频率？出现频率越高，相关性也越高。字段中出现过 5 次要比只出现过 1 次的相关性高。反向文档频率：idf 词 t 的逆向文档频率（ idf ）是：索引中文档数量除以所有包含该词的文档数，然后求其对数。 idf(t) = 1 +

elasticsearch 自定义打分

weixin_33958585的博客

11-12

601

curl -XGET 'http://localhost:9200/searchsuggestion/searchsuggestion/_search?pretty' -d '{ "fields" : ["company_full_name","id"], "size" : 10, "query": { "func...

实战 | Elasticsearch自定义评分的N种方法

最新发布

weixin_43298211的博客

10-15

1390

脚本得分允许你使用自定义的脚本来计算每个文档的得分。你可以编写一个 Painless 脚本（Elasticsearch 的默认脚本语言），根据文档中的字段值或其他条件来调整得分。

通过案例实战详解elasticsearch自定义打分function_score的使用

赵侠客

07-29

1447

elasticsearch给我们提供了很强大的搜索功能，但是有时候仅仅只用相关度打分是不够的，本文结合简单案例详解function_score的使用方法

Python-Elasticsearch的高效嵌入向量相似打分插件

08-11

Score documents using embedding-vectors dot-product or cosine-similarity with ES Lucene engine

elasticsearch[七]：ES评分规则详解[查询评分规则、自定义评分规则]

丨汀、的博客

01-17

4168

elasticsearch[七]：ES评分规则详解[查询评分规则、自定义评分规则]

ElasticSearch[八]：自定义评分功能、使用场景讲解以及 function_score常用的字段解释

丨汀、的博客

01-18

2484

ElasticSearch[八]：自定义评分功能、使用场景讲解以及 function_score常用的字段解释

ElasticSearch(九) ElasticSearch使用教程之_score(评分)介绍

weixin_38399962的博客

04-08

1236

https://blog.youkuaiyun.com/paditang/article/details/79098830 个人强烈推荐这篇文章，讲的特别好

elasticsearch-自定义分析器

豆豆不在了

01-13

1990

自定义分析器虽然Elasticsearch带有一些现成的分析器，然而在分析器上Elasticsearch真正的强大之处在于，你可以通过在一个适合你的特定数据的设置之中组合字符过滤器、分词器、词汇单元过滤器来创建自定义的分析器。在 [analysis-intro] 我们说过，一个分析器就是在一个包里面组合了三种函数的一个包装器，三种函数按照顺序被执行: 字符过

使用spring-data-elasticsearch进行自定义打分

aa28786109的博客

07-01

733

elasticsearch自定义打分操作

奇想派

07-05

2231

Elasticsearch 会为 query 的每个文档计算一个相关度得分 score ，并默认按照 score 从高到低的顺序返回搜索结果。在很多场景下，我们不仅需要搜索到匹配的结果，还需要能够按照某种方式对搜索结果重新打分排序。例如：Function score query 就可以让我们实现对最终 score 的自定义打分。为了方便，下面把 ES 对匹配的文档进行打分得到的 score 记为，而最终搜索结果的 score 记为，显然，一般情况下（也就是不使用自定义打分时），就是。那么

Elasticsearch 排序与评分问题

GrayGo的博客

03-12

1798

我们es中保存了商户所有的商品信息，在一个下拉框中需要能多维度的定位到商品信息（如输入商品名+规格等等），因为涉及字段较多，所以我们还为每个字段单独设置了权重，且在使用should + multi_match 时指定了minimum_should_match（最小的匹配数量），以此来避免出现无关数据。测试发现我们输入与第一项匹配值与预想有一定差距，比如下图：我们输入了全脂牛奶15ml，可是预想的15ml排到了第三行，一个50ml排到了第一行。我们在不停调整权重后也不能解决。