es打分机制

最新推荐文章于 2025-03-31 23:46:52 发布
最新推荐文章于 2025-03-31 23:46:52 发布
阅读量460 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： elasticserch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/manmanpa/article/details/109233586
博客主要介绍基于Lucene的倒排索引算法，涉及信息技术领域中索引构建的相关内容，倒排索引是一种重要的数据结构和算法，在信息检索等方面有广泛应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

基于Lucene的倒排索引算法

ES打分机制浅析
wangxuelei036的博客
06-09 1万+
ES 打分机制也就是文档的相关性评价，确定文档和查询有多么相关的过程被称为打分（scoring）。尽管精确地理解Elasticsearch是如何计算文档得分这一点并不是必须的，但是对于如何适用ES来说，它仍然是非常有帮助的。
ElasticSearch评分机制
theonlytao的博客
09-11 842
最近在业务开发的过程中，需要使用到ElasticSearch搜索引擎来优化我们的小搜索（其实也算不上），我们需要根据关键字搜索出匹配的人员信息和节点信息，我们当时业务的数据量大概在200MB左右，一开始其实完全使用数据库完成这个搜索，但是随着用户量的增大（大概后期一百万左右），使用数据库完成搜索的速度之慢令人发指，大概5s左右（主要业务场景中还需要较多的表连接，导致速度变慢），所以后来我们打算采用
ES系列--打分机制
weixin_42972832的博客
07-17 2775
当你通过关键字搜索相关文档时，可能会出现多个文档，这些文档的顺序是通过一个max_score属性的大小从高到低顺序展现出来的，max_score属性就是我们所说的评分。而这个评分是通过一个文档打分机制计算出来的。
es相关性打分机制
leveretz的博客
11-24 2313
es相关性打分机制
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 4161
elasticsearch[七]：ES评分规则详解[查询评分规则、自定义评分规则]
ES打分机制
wangqiang996的博客
06-14 1536
Lucene和es的打分机制是一个公式。将查询作为输入，使用不同的手段来确定每一遍文档的得分，将每一个因素最后通过公式综合起来，返回该文档的最终得分。这个综合考量的过程，就是我们希望相关的文档被优先返回的考量过程。在Lucene和es中这种相关性称为得分。在开始计算得分之前，es。
Elasticsearch打分机制
摘 月
10-24 482
进一步说，仅仅以二元的方式来考虑文档和查询的匹配可能是有意义的，也就是百度搜索引擎返回了二元的匹配结果：是的，找到了 or 不，没找到！而需要xx才能访问的xx浏览器，在正确的给用户返回二元结果之前，更多的考虑文档的相关性（relevancy），因为就某个结果而言，如果A文档要比B文档更和结果相关，那么A文档在结果中就要比B文档靠前，再加上以其他的优化，最终将所有结果返回，而用户最期待的那条结果很可能排在最高位，岂不美哉？很显然，返回的结果中，尤其是前几条，有时甚至是前几页，都跟我们想要的结果相差深远！
【重磅技术解析】Elasticsearch 7.x全新打分机制：Learning To Rank (LTR)打造个性化搜索排序新体验
qq_44103359的博客
04-25 428
Elasticsearch作为一款强大的搜索引擎，在其7.x版本中引入了Learning To Rank (LTR)打分机制，使得用户可以根据个性化需求对搜索结果进行排序。本文将详细介绍LTR机制的工作原理，并通过实例展示如何在Elasticsearch中应用这一新技术，从而提升搜索体验。在Elasticsearch中，搜索结果的排序主要依赖于文档的打分。传统打分机制主要依赖查询时构建的倒排索引，通过计算文档与查询的相关性给出一个分数。一、Elasticsearch传统打分机制的局限性。
ElasticSearch打分机制学习
Deep in ElasticSearch
10-19 5142
ElasticSearch打分机制学习，包括单字段匹配打分、multi-match多字段匹配打分（best_fields模式）、multi-match多字段匹配打分（cross_fields模式）、should增加权重打分和function_score高级打分机制。
Lucene默认的打分算法——ES默认
djph26741的博客
02-27 237
改变Lucene的打分模型 随着Apache Lucene 4.0版本在2012年的发布，这款伟大的全文检索工具包终于允许用户修改默认的基于TF/IDF原理的打分算法。Lucene API变得更加容易修改和扩展打分公式。但是，对于文档的打分计算，Lucene并只是允许用户在打分公式上修修补补，Lucene 4.0推出了更多的打分模型，从根本上改变了文档的打分公式，允许用户使用不同的打分...
ES框架--ES评分规则详解
qq_51641196的博客
04-10 3830
一、需求因为需要对搜索结果进行一个统一化的评分，因此需要仔细研究ES本身的评分规则从而想办法把评分统一。省流：无法确切统一化二、ES查询评分规则之前有说过ES的查询评分原理，那么仔细思考之后就会发现，长文本搜索对应的score会比短文本搜索的score高很多：score=单个分词评分之和，长文本对应的词更多那么score就会更多。通过在查询中设置参数”explain”:true来查看具体的分数来...
触类旁通 Elasticsearch：打分
wzy0623的专栏
01-30 2213
Elasticsearch：ES打分机制、boosting、explain、再打分、function_score、使用脚本排序
Elasticsearch (ES) 搜索引擎: 文档打分：对文本搜索匹配文档打分、设置权重、函数打分、Painless脚本打分
谢TS的博客
12-03 1799
搜索结果排序是搜索引擎的核心工作之一，搜索结果的排序默认按文档匹配得分降序排序。对于 Term 级别的精准查询，所有文档的得分都是相同的，可以手动指定按某个或某些字段升序或降序排序。但对于文本搜索的分词匹配，就需要根据特定的相关性算法为每一个匹配的文档打上相关性分数，每一个匹配的文档都有一个表示分数的 _score 字段。ES 默认使用 BM25 算法进行相关性计算。除了相关性算法和设置查询权重(boost)，ES 还允许用户重度参数打分计算。
【HBZ分享】ES的评分score机制的原理
a645293829的博客
08-10 1144
ES的评分score机制的原理
Elasticsearch 评分机制
qq_33807380的博客
03-31 1459
Elasticsearch 提供了多种方式来实现自定义评分，使您能够超越默认的相关性算法，根据业务需求定制搜索结果的排序。最强大的自定义评分工具，允许修改原始_score或完全替换它：{"query": {},],"score_mode": "sum", // 函数结果如何组合：sum, multiply, avg, max, min, first。
Elasticsearch 搜索的评分机制
weixin_34356138的博客
01-10 217
从我们在elasticsearch复合框输入搜索语句到结果显示，展现给我们的是一个按score得分从高到底排好序的结果集。下面就来学习下elasticsearch怎样计算得分。 Lucene（或 Elasticsearch）使用 布尔模型（Boolean model） 查找匹配文档， 并用一个名为 实用评分函数（practical scoring function） 的公式来计算相关度。这个公式...
ES相似度打分算法
Zwwxd666的博客
03-20 945
例如，苹果出现了1次，而我不小心连续输入了20次啊，那么该分数会偏高，甚至高于其他有关键字的，例如搜出只有一条是"eg 用户搜索——【A,B】 ES索引库里的所有文档 [A,D,G] [C,F,W],[K,I,O]BM25的TF Score会被限制在0~k+1间，最终趋于水平，k=1.2，使用者可修改。引入了平均文档长度概念，探究单个文档长度和平均所有文档长度间比值对TF Score的影响。A在第一条文档出现了1次，总词数为3则——1/3===》0.333分。词少的文档，匹配词少，快速确定相关性。
ES：配置相似度模型，甚至可以用脚本实现一个快速实现简单的打分模型
lijy83的专栏
06-26 1563
详见文档https://www.elastic.co/guide/en/elasticsearch/reference/current/index-modules-similarity.html#configuration
ES搜索排序、相关性、评分机制
软件测试大叔
12-05 4275
默认情况下，ES的搜索结果是排序的，是按 相关性 倒序排列的------相关性最高的排在最前面。 那么什么是相关性，相关性如何计算？ 每个文档都有相关性评分，用一个正浮点数字段_score来表示 。_score的评分越高，相关性越高。 查询语句会为每个文档生成一个_score字段。（评分的计算方式取决于查询类型 不同的查询语句用于不同的目的，这里不详细介绍。） Elasticsearch 的相似度算法被定义为检索词频率/反向文档频率，TF/IDF，包括以下内容： 检索词频率 检索...
ElasticSearch检索机制， ElasticSearch怎么使用
最新发布
07-05
Elasticsearch 是一个基于 Lucene 的分布式、RESTful 搜索和分析引擎，其核心检索机制围绕**倒排索引（Inverted Index）**和**分布式查询处理**展开。以下是其检索机制和使用方法的详细说明： --- ### **1. Elasticsearch 检索机制** #### **（1）倒排索引（Inverted Index）** - **核心原理**： - 将文档（Document）拆分为**词项（Term）**，并记录每个词项出现在哪些文档中（类似字典的“词→文档列表”映射）。 - 例如：文档1包含“苹果 香蕉”，文档2包含“苹果 橙子”，倒排索引为： ``` 苹果 → [文档1, 文档2] 香蕉 → [文档1] 橙子 → [文档2] ``` - **优势**： - 快速定位包含特定词项的文档，避免全表扫描。 - 支持高效布尔查询（AND/OR/NOT）。 #### **（2）分布式查询处理** - **分片（Shard）**： - 索引（Index）被划分为多个分片（默认5个主分片），分布在集群的不同节点上。 - 查询时，协调节点（Coordinating Node）将请求广播到所有相关分片，并行处理后合并结果。 - **流程**： 1. 用户发送查询请求到任意节点（协调节点）。 2. 协调节点确定查询涉及的分片，并转发请求。 3. 各分片本地执行查询，返回结果（含文档ID和评分）。 4. 协调节点合并结果，按相关性排序后返回。 #### **（3）相关性评分（TF-IDF & BM25）** - **TF-IDF**： - 词频（TF）：词项在文档中出现的频率。 - 逆文档频率（IDF）：词项在所有文档中的稀有程度（常见词权重低）。 - **BM25（默认算法）**： - 改进TF-IDF，考虑文档长度、词项频率饱和度等因素，评分更精准。 - **示例**： - 查询“苹果 手机”时，同时包含两个词的文档评分更高。 #### **（4）实时性与近实时（NRT）** - **倒排索引不可变**： - 新增文档写入新索引段（Segment），定期合并（Merge）到主索引。 - **近实时（NRT）**： - 文档写入后约1秒可被搜索（通过`refresh_interval`配置，默认1秒）。 - 完全持久化需`flush`操作（将内存数据刷到磁盘）。 --- ### **2. Elasticsearch 使用方法** #### **（1）基础操作** ##### **① 索引文档** ```json PUT /products/_doc/1 { "name": "iPhone 13", "price": 799, "description": "高性能智能手机", "tags": ["苹果", "手机"] } ``` - **说明**： - `products`：索引名（类似数据库表）。 - `_doc`：类型（7.x+版本默认单类型）。 - `1`：文档ID（可省略，自动生成）。 ##### **② 简单查询** ```json GET /products/_search { "query": { "match": { "name": "iPhone" } } } ``` - **返回结果**： ```json { "hits": { "hits": [ { "_id": "1", "_score": 0.2876821, // BM25评分 "_source": { "name": "iPhone 13", "price": 799 } } ] } } ``` ##### **③ 布尔查询（AND/OR/NOT）** ```json GET /products/_search { "query": { "bool": { "must": [ { "match": { "tags": "苹果" } } ], "filter": [ { "range": { "price": { "lte": 1000 } } } // 价格≤1000 ] } } } ``` #### **（2）高级功能** ##### **① 全文检索（分析文本）** - **分词器（Analyzer）**： - 默认使用`standard`分词器（按空格分词，小写化）。 - 自定义分词器示例： ```json PUT /my_index { "settings": { "analysis": { "analyzer": { "my_analyzer": { "type": "custom", "tokenizer": "standard", "filter": ["lowercase", "asciifolding"] // 小写+去除重音 } } } } } ``` ##### **② 聚合查询（Aggregation）** ```json GET /products/_search { "size": 0, // 不返回文档，仅聚合结果 "aggs": { "avg_price": { "avg": { "field": "price" } }, "tags_count": { "terms": { "field": "tags.keyword" } // 对精确值聚合 } } } ``` - **结果**： ```json { "aggregations": { "avg_price": { "value": 799 }, "tags_count": { "buckets": [ { "key": "苹果", "doc_count": 1 }, { "key": "手机", "doc_count": 1 } ] } } } ``` ##### **③ 高亮显示（Highlight）** ```json GET /products/_search { "query": { "match": { "description": "智能" } }, "highlight": { "fields": { "description": {} } } } ``` - **返回结果**： ```json { "hits": { "hits": [ { "_source
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值