基於內容的推薦通常是給定一篇文件資訊，然後給使用者推薦與該文件相識的文件。Lucene的api中有實現查詢文章相似度的介面，叫MoreLikeThis。Elasticsearch封裝了該介面，通過Elasticsearch的More like this查詢介面，我們可以非常方便的實現基於內容的推薦。

先看一個查詢請求的json例子：

{ 
    "more_like_this" : { 
        "fields" : ["title", "content"], 
        "like_text" : "text like this one", 
    } 
}

fields是要匹配的欄位，如果不填的話預設是_all欄位

like_text是匹配的文字。

除此之外還可以新增下面條件來調節結果

percent_terms_to_match：匹配項（term）的百分比，預設是0.3

min_term_freq：一篇文件中一個詞語至少出現次數，小於這個值的詞將被忽略，預設是2

max_query_terms：一條查詢語句中允許最多查詢詞語的個數，預設是25

stop_words：設定停止詞，匹配時會忽略停止詞

min_doc_freq：一個詞語最少在多少篇文件中出現，小於這個值的詞會將被忽略，預設是無限制

max_doc_freq：一個詞語最多在多少篇文件中出現，大於這個值的詞會將被忽略，預設是無限制

min_word_len：最小的詞語長度，預設是0

max_word_len：最多的詞語長度，預設無限制

boost_terms：設定詞語權重，預設是1

boost：設定查詢權重，預設是1

下面介紹下如何用java api呼叫，一共有三種呼叫方式，不過本質上都是一樣的，只不過是做了一些不同程度的封裝。

MoreLikeThisRequestBuilder mlt = new MoreLikeThisRequestBuilder(client, "indexName", "indexType", "id");
mlt.setField("title");//匹配的欄位
SearchResponse response = client.moreLikeThis(mlt.request()).actionGet();
 

MoreLikeThisQueryBuilder query = QueryBuilders.moreLikeThisQuery();
query.boost(1.0f).likeText("xxx").minTermFreq(10);

MoreLikeThisFieldQueryBuilder query = QueryBuilders.moreLikeThisFieldQuery("fieldNmae");