一、目的

一個搜尋引擎使用的時候必定需要排序這個模組，一般情況下在不選擇按照某一欄位排序的情況下，都是按照打分的高低進行一個預設排序的，所以如果正式使用的話，必須對預設排序的打分策略有一個詳細的瞭解才可以，否則被問起來為什麼這個在前面，那個在後面不好辦，因此對Elasticsearch的打分策略詳細的看了下，雖然說還不是瞭解的很全部，但是大部分都看的差不多了，結合理論以及搜尋的結果，做一個簡單的介紹

二、Elasticsearch的打分公式

Elasticsearch的預設打分公式是lucene的打分公式，主要分為兩部分的計算，一部分是計算query部分的得分，另一部分是計算field部分的得分，下面給出ES官網給出的打分公式：

score(q,d)  =  
            queryNorm(q)  
          · coord(q,d)    
          · ∑ (           
                tf(t in d)   
              · idf(t)²      
              · t.getBoost() 
              · norm(t,d)    
            ) (t in q)    

在此給每一個部分做一個解釋

queryNorm(q)：

對查詢進行一個歸一化，不影響排序，因為對於同一個查詢這個值是相同的，但是對term於ES來說，必須在分片是1的時候才不影響排序，否則的話，還是會有一些細小的區別，有幾個分片就會有幾個不同的queryNorm值

queryNorm(q)=1 / √sumOfSquaredWeights 

上述公式是ES官網的公式，這是在預設query boost為1，並且在預設term boost為1 的情況下的打分，其中

sumOfSquaredWeights =idf(t1)*idf(t1)+idf(t2)*idf(t2)+...+idf(tn)*idf(tn)

其中n為在query裡面切成term的個數，但是上面全部是在預設為1的情況下的計算，實際上的計算公式如下所示：

coord(q,d):

coord(q,d)是一個協調因子它的值如下：

coord(q,d)=overlap/maxoverlap

其中overlap是檢索命中query中term的個數，maxoverlap是query中總共的term個數，例如查詢詞為“無線通訊”，使用預設分詞器，如果文件為“通知他們開會”，只會有一個“通”命中，這個時候它的值就是1/4=0.25

tf(t in d):

即term t在文件中出現的個數，它的計算公式官網給出的是：

tf(t in d) = √frequency

即出現的個數進行開方，這個沒什麼可以講述的，實際打分也是如此

idf(t):

這個的意思是出現的逆詞頻數，即召回的文件在總文件中出現過多少次，這個的計算在ES中與lucene中有些區別，只有在分片數為1的情況下，與lucene的計算是一致的，如果不唯一，那麼每一個分片都有一個不同的idf的值，它的計算方式如下所示：

idf(t) = 1 + log ( numDocs / (docFreq + 1))

其中，log是以e為底的，不是以10或者以2為底，這點需要注意，numDocs是指所有的文件個數，如果有分片的話，就是指的是在當前分片下總的文件個數，docFreq是指召回文件的個數，如果有分片對應的也是在當前分片下召回的個數，這點是計算的時候與lucene不同之處，如果想驗證是否正確，只需將分片shard的個數設定為1即可。

t.getboost():

對於每一個term的權值，沒仔細研究這個項，個人理解的是，如果對一個field設定boost，那麼如果在這個boost召回的話，每一個term的boost都是該field的boost

norm(t,d):

對於field的標準化因子，在官方給的解釋是field越短，如果召回的話權重越大，例如搜尋無線通訊，一個是很長的內容，但都是包含這幾個字，但是並不是我們想要的，另外一個內容很短，但是完整包含了無線通訊，我們不能因為後面的只出現了一次就認為權重是低的，相反，權重應當是更高的，其計算公式如下所示：

其中d.getboost表明如果該文件權重越大那麼久越重要

f.getboost表明該field的權值越大，越重要

lengthnorm表示該field越長，越不重要，越短，越重要，在官方文件給出的公式中，預設boost全部為1，在此給出官方文件的打分公式：

norm(d) = 1 / √numTerms 

該值在計算的時候總是無法對上，查詢網上的資料說是在打分的時候將結果先進行壓縮，然後解壓縮，所以結果跟原始值對不上，個人理解有點像量化的過程，因為在實際explain的時候發現該值有一定的規律性

三、實際的打分explain

在實際的時候，例如搜尋“無線通訊”，如下圖所示，因為一些私人原因，將一些欄位打碼，查詢的時候設定explain為true，如下圖所示：

因為使用的是預設的分詞器，所以最後的結果是將“無線通訊”分成了四個字，並且認為是四個term來進行計算，最後將計算的結果進行相加得到最後的得分0.7605926，這個分數是“無”的得分+“線”的得分+“通”的得分+“信”的得分，四個term的得分如下圖所示：

最後的得分是0.7605926=0.118954286+0.1808154+0.14515185+0.31567，與上述符合，因為四個詞都出現了所以在這裡面的coord=1,總分數的計算知道後，我們單看每一部分的得分的計算，以“無”為例進行介紹：

其中每一個term內部分為兩部分的分數，一部分是queryweight，一部分是fieldweight，其中總分數=queryweight*fieldweight

例如此處queryweight=0.51195854，fieldWeight=0.2323514，所以總的分數就是0.118954286

queryweigth計算：

對於queryweight部分的計算分為兩個部分idf和querynorm，其中idf的值是2.8618271，這個值是如何計算的呢

idf=1+ln(1995/(309+1))=2.8618271,說明在分片四里面共有1995個文件，召回了包含“無”的309個文件，因此為這個值

querynorm部分的計算：根據上面“無”“線”“通”“信”四個的分數計算，可以看到，idf的值分別為

無：2.8618271

線：3.1053379

通：2.235371

信：2.901306

所以按照計算公式

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

再次總結下此處的公式：queryweight=idf*queryNorm(d)

fieldweight部分計算：

idf的計算上邊已經算過，在此不詳細敘述

tf的值是在此處出現3次，所以為√3=1.7320508

fieldnorm的值不知道如何計算，按照公式計算不出來explain的值，網上資料說是編解碼導致的，哪位朋友知道如何計算麻煩回覆下，多謝

總結下fieldweight部分的計算公式：fieldweight=idf*tf*fieldnorm=1.7320508*2.8618271*0.046875=0.2323514

所以總體的計算就是

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

四、參考文件

http://www.cnblogs.com/forfuture1978/archive/2010/03/07/1680007.html

https://www.elastic.co/guide/en/elasticsearch/guide/current/scoring-theory.html#field-norm