【Elasticsearch】自定义评分检索

1.自定义评分

自定义评分（Score Customization）是指通过编程方式修改或覆盖 Elasticsearch 默认的相关度评分算法，以满足特定业务需求的过程。

Elasticsearch 默认使用 TF-IDF（在较新版本中使用 BM25）算法计算文档相关性，但有时业务需求需要特殊的排序逻辑。

🚀 建议先看一下我的这几篇博文：

• 【自然语言处理】文本表示：One-Hot、BOW、TF-IDF、N-Gram
• 【自然语言处理】BOW 和 TF-IDF 详解
• 【自然语言处理】文本相似度算法：TF-IDF 与 BM25

2.为什么需要自定义评分

• 业务特定需求：默认评分可能无法准确反映业务领域的相关性标准。
• 个性化排序：根据用户偏好、地理位置、时间敏感性等因素调整结果。
• 商业逻辑：如提升付费内容、促销商品的排名。
• 多维度排序：结合相关性、销量、评分、新鲜度等多个因素。
• 领域专业知识：某些领域有独特的价值评估标准。

3.搜索结果相关度

• 相关度（_score）是 Elasticsearch 判断文档与查询匹配程度的量化值。
• 自定义评分 不是替代相关度计算，而是在其基础上进行 调整或补充。
• 最终排序可以结合默认相关度和自定义评分因素。

4.影响相关度评分的查询子句

• 全文检索查询：match、match_phrase、multi_match、query_string
• 词项级别查询：term（通常不评分，但可通过参数启用）、terms、fuzzy
• 复合查询：bool（must / should）、dis_max、constant_score
• 特殊查询：boosting、function_score、script_score
• 查询参数：boost（可应用于任何查询）、tie_breaker（在 dis_max 中使用）

filter 和 must_not 被视为过滤器，不影响评分。其他查询子句会影响评分。

5.控制相关度评分的方法

接下来，我们就介绍一下 boosting、function_score、script_score 这几个特殊查询是如何影响评分的。

5.1 Function Score Query

{
  "query": {
    "function_score": {
      "query": { "match": { "title": "手机" } },
      "functions": [
        {
          "filter": { "term": { "brand": "苹果" } },
          "weight": 2
        },
        {
          "field_value_factor": {
            "field": "sales",
            "modifier": "log1p",
            "factor": 0.1
          }
        },
        {
          "gauss": {
            "date": {
              "origin": "now",
              "scale": "30d",
              "offset": "7d",
              "decay": 0.5
            }
          }
        }
      ],
      "score_mode": "sum",
      "boost_mode": "multiply"
    }
  }
}

这段代码是一个 Elasticsearch 的 function_score 查询，用于对基础查询结果进行自定义评分调整。这是一个复合查询，主要包含：

• 基础查询（match 查询）
• 多个评分函数（functions 数组）
• 评分组合方式（score_mode 和 boost_mode）

5.1.1 基础查询部分

"query": { "match": { "title": "手机" } }

• 这是基础查询，查找 title 字段包含 “手机” 的文档。
• 这部分会先执行，产生初始的相关性评分（_score）。

5.1.2 评分函数部分（functions 数组）

第一个函数：品牌加权

{
  "filter": { "term": { "brand": "苹果" } },
  "weight": 2
}

• 作用：对品牌为 “苹果” 的文档应用权重。
• 机制：
  • 先过滤出 brand 字段精确匹配 “苹果” 的文档。
  • 为这些文档的评分乘以权重因子 2。
• 效果：苹果品牌的产品会获得更高的排名。

第二个函数：销量因子

{
  "field_value_factor": {
    "field": "sales",
    "modifier": "log1p",
    "factor": 0.1
  }
}

• 作用：根据销量（sales 字段）调整评分。
• 参数：
  • field：使用 sales 字段的值。
  • modifier：应用 log1p 函数（即 log(1 + sales)），防止极高销量值对评分影响过大。
  • factor：乘以 0.1 的因子，减小影响程度。
• 效果：销量高的产品会获得一定提升，但不会完全主导排序。

第三个函数：时间衰减

{
  "gauss": {
    "date": {
      "origin": "now",
      "scale": "30d",
      "offset": "7d",
      "decay": 0.5
    }
  }
}

• 作用：基于日期字段（date）实现时间衰减评分。
• 高斯衰减参数：
  • origin：当前时间（"now"）作为基准点。
  • scale：衰减范围为 $30$ 天。
  • offset：$7$ 天内不衰减，保持完整评分。
  • decay：衰减到 $0.5$（在 origin + offset + scale 时，得分为 0.5*原始分）。
• 效果：较新的文档会获得更高评分，但 $7$ 天内无差别，之后逐渐衰减。

5.1.3 评分组合方式

score_mode

"score_mode": "sum"

• 指定多个函数评分如何组合。
• sum 表示将所有函数评分相加。
• 其他可选值：multiply（乘）、avg（平均）、max（最大）、min（最小）、first（第一个函数）。

boost_mode

"boost_mode": "multiply"

• 指定函数评分如何与原始查询评分组合。
• multiply 表示将函数评分与原始 _score 相乘。
• 其他可选值：replace（替换）、sum（相加）、avg（平均）、max（最大）、min（最小）。

5.1.4 整体效果

这个查询会：

• 首先找出所有标题包含 “手机” 的文档。
• 然后对这些文档进行评分调整：
  • 如果是 苹果 品牌，评分 ×2。
  • 根据销量（取对数后）增加评分。
  • 根据时间远近衰减评分（越新评分越高）。
• 将所有函数评分相加（score_mode: sum）。
• 最后将总函数评分与原始评分相乘（boost_mode: multiply）。
• 按最终评分排序返回结果。

这种查询非常适合电商搜索场景，可以同时考虑关键词相关性、品牌偏好、销量热度和新品时效性。

5.2 使用 Boosting Query

{
  "query": {
    "boosting": {
      "positive": { "match": { "title": "手机" } },
      "negative": { "term": { "brand": "山寨" } },
      "negative_boost": 0.2
    }
  }
}

这段代码使用了 Elasticsearch 的 boosting 查询，它是一种特殊的复合查询，用于对匹配某些条件的文档进行降权而非完全排除。下面我将详细解释每个部分的含义和作用：

• positive：正向查询（必须匹配）
• negative：负向查询（匹配则降权）
• negative_boost：降权系数

5.2.1 正向查询（positive）

"positive": { "match": { "title": "手机" } }

• 这是一个标准的全文匹配查询。
• 会找出所有 title 字段包含 “手机” 的文档。
• 这些文档都会被包含在最终结果中（如果不匹配 negative 条件则保持原评分）。

5.2.2 负向查询（negative）

"negative": { "term": { "brand": "山寨" } }

• 这是一个精确匹配查询（term query）。
• 会找出 brand 字段精确等于 “山寨” 的文档。
• 匹配 negative 查询的文档不会被排除，而是会被降权。

5.2.3 降权系数（negative_boost）

"negative_boost": 0.2

• 这是一个介于 $0$ 和 $1$ 之间的乘数因子。
• 对于 同时匹配 positive 和 negative 的文档：
  • 最终评分 = 原始评分 × 0.2
• 对于 只匹配 positive 的文档：
  • 保持原始评分不变

5.3.4 工作流程

• 首先执行 positive 查询，找出所有标题包含 “手机” 的文档。
• 然后在这些文档中，找出品牌为 “山寨” 的文档。
• 对匹配 negative 条件的文档，将其评分乘以 0.2。
• 最后按调整后的评分排序返回结果。

5.2.5 与 bool 查询的区别

特性	boosting 查询	bool 查询（ must_not）
匹配 negative 的文档	仍会返回，但评分降低	完全排除
适用场景	需要展示但降权低质量内容	需要完全排除某些内容
评分影响	可控的降权（通过 negative_boost）	完全不影响评分（只是过滤）

5.2.6 典型应用场景

• 降权低质量内容：如示例中的山寨品牌。
• 处理过时内容：降权旧文章但不完全排除。
• 广告混合排序：对广告内容适当降权。
• 用户偏好处理：对用户不喜欢的类型降权。

5.2.7 参数注意事项

• negative_boost 必须是 $0$ 到 $1$ 之间的浮点数：

  • $0.2$ 表示降权到原评分的 $20\%$。
  • $1.0$ 相当于没有效果。
  • $0.0$ 相当于完全排除（此时应使用 bool + must_not）。

• 可以组合多个 positive 和 negative 条件：

  "positive": {
    "bool": {
      "should": [
        { "match": { "title": "手机" } },
        { "match": { "description": "智能" } }
      ]
    }
  },
  "negative": {
    "bool": {
      "should": [
        { "term": { "brand": "山寨" } },
        { "range": { "price": { "lt": 100 } } }
      ]
    }
  }
  

5.2.8 性能考虑

• 比纯过滤（bool + must_not）消耗更多资源，因为要计算被降权文档的评分。
• 对于需要完全排除的大量文档，建议使用 bool + must_not 过滤。
• 适合处理少量需要降权而非完全排除的文档。

5.3 使用 Script Score

{
  "query": {
    "script_score": {
      "query": { "match": { "title": "手机" } },
      "script": {
        "source": "_score * doc['popularity'].value * params.weight",
        "params": { "weight": 1.5 }
      }
    }
  }
}

• 首先执行基础 match 查询，找出所有标题包含 “手机” 的文档，并计算原始 _score。
• 对每个匹配的文档：
  • 获取其 popularity 字段的值。
  • 使用脚本计算新评分：新评分 = _score × popularity × 1.5。
• 按照计算出的新评分对文档进行排序。
• 返回结果。

6.相关度评分控制技巧

• 理解评分因素
  • 词频（Term Frequency）
  • 逆文档频率（Inverse Document Frequency）
  • 字段长度归一值（Field-length norm）
• 使用 Explain API 分析评分

  GET /products/_search
  {
    "explain": true,
    "query": { "match": { "title": "手机" } }
  }
  

• 调整相似度算法
  • 可配置 BM25 参数（k1，b）。
  • 或完全自定义相似度实现。
• 查询结构调整
  • 合理使用 bool 查询的 should / must / filter。
  • 调整不同子句的 boost 值。

自定义评分是 Elasticsearch 强大的功能之一，合理使用可以显著提升搜索体验，但也需要谨慎设计以避免性能问题和不可预期的排序结果。