ElasticSearch源码解析（五）：排序（评分公式）

转载自：http://blog.csdn.net/molong1208/article/details/50623948

一、目的

一个搜索引擎使用的时候必定需要排序这个模块，一般情况下在不选择按照某一字段排序的情况下，都是按照打分的高低进行一个默认排序的，所以如果正式使用的话，必须对默认排序的打分策略有一个详细的了解才可以，否则被问起来为什么这个在前面，那个在后面不好办，因此对Elasticsearch的打分策略详细的看了下，虽然说还不是了解的很全部，但是大部分都看的差不多了，结合理论以及搜索的结果，做一个简单的介绍

二、Elasticsearch的打分公式

Elasticsearch的默认打分公式是lucene的打分公式，主要分为两部分的计算，一部分是计算query部分的得分，另一部分是计算field部分的得分，下面给出ES官网给出的打分公式：

[java] view plain copy 

1. score(q,d)  =    
2.             queryNorm(q)    
3.           · coord(q,d)      
4.           · ∑ (             
5.                 tf(t in d)     
6.               · idf(t)²        
7.               · t.getBoost()   
8.               · norm(t,d)      
9.             ) (t in q)      

在此给每一个部分做一个解释

queryNorm(q)：

对查询进行一个归一化，不影响排序，因为对于同一个查询这个值是相同的，但是对term于ES来说，必须在分片是1的时候才不影响排序，否则的话，还是会有一些细小的区别，有几个分片就会有几个不同的queryNorm值

queryNorm(q)=1 / √sumOfSquaredWeights 

上述公式是ES官网的公式，这是在默认query boost为1，并且在默认term boost为1 的情况下的打分，其中

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

其中n为在query里面切成term的个数，但是上面全部是在默认为1的情况下的计算，实际上的计算公式如下所示：

coord(q,d):

coord(q,d)是一个协调因子它的值如下：

[java] view plain copy 

1. coord(q,d)=overlap/maxoverlap  

其中overlap是检索命中query中term的个数，maxoverlap是query中总共的term个数，例如查询词为“无线通信”，使用默认分词器，如果文档为“通知他们开会”，只会有一个“通”命中，这个时候它的值就是1/4=0.25

tf(t in d):

即term t在文档中出现的个数，它的计算公式官网给出的是：

[java] view plain copy 

1. tf(t in d) = √frequency  

即出现的个数进行开方，这个没什么可以讲述的，实际打分也是如此

idf(t):

这个的意思是出现的逆词频数，即召回的文档在总文档中出现过多少次，这个的计算在ES中与lucene中有些区别，只有在分片数为1的情况下，与lucene的计算是一致的，如果不唯一，那么每一个分片都有一个不同的idf的值，它的计算方式如下所示：

[java] view plain copy 

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

其中，log是以e为底的，不是以10或者以2为底，这点需要注意，numDocs是指所有的文档个数，如果有分片的话，就是指的是在当前分片下总的文档个数，docFreq是指召回文档的个数，如果有分片对应的也是在当前分片下召回的个数，这点是计算的时候与lucene不同之处，如果想验证是否正确，只需将分片shard的个数设置为1即可。

t.getboost():

对于每一个term的权值，没仔细研究这个项，个人理解的是，如果对一个field设置boost，那么如果在这个boost召回的话，每一个term的boost都是该field的boost

norm(t,d):

对于field的标准化因子，在官方给的解释是field越短，如果召回的话权重越大，例如搜索无线通信，一个是很长的内容，但都是包含这几个字，但是并不是我们想要的，另外一个内容很短，但是完整包含了无线通信，我们不能因为后面的只出现了一次就认为权重是低的，相反，权重应当是更高的，其计算公式如下所示：

其中d.getboost表明如果该文档权重越大那么久越重要

f.getboost表明该field的权值越大，越重要

lengthnorm表示该field越长，越不重要，越短，越重要，在官方文档给出的公式中，默认boost全部为1，在此给出官方文档的打分公式：

[java] view plain copy 

1. norm(d) = 1 / √numTerms   

该值在计算的时候总是无法对上，查询网上的资料说是在打分的时候将结果先进行压缩，然后解压缩，所以结果跟原始值对不上，个人理解有点像量化的过程，因为在实际explain的时候发现该值有一定的规律性

三、实际的打分explain

在实际的时候，例如搜索“无线通信”，如下图所示，因为一些私人原因，将一些字段打码，查询的时候设置explain为true，如下图所示：

因为使用的是默认的分词器，所以最后的结果是将“无线通信”分成了四个字，并且认为是四个term来进行计算，最后将计算的结果进行相加得到最后的得分0.7605926，这个分数是“无”的得分+“线”的得分+“通”的得分+“信”的得分，四个term的得分如下图所示：

最后的得分是0.7605926=0.118954286+0.1808154+0.14515185+0.31567，与上述符合，因为四个词都出现了所以在这里面的coord=1,总分数的计算知道后，我们单看每一部分的得分的计算，以“无”为例进行介绍：

其中每一个term内部分为两部分的分数，一部分是queryweight，一部分是fieldweight，其中总分数=queryweight*fieldweight

例如此处queryweight=0.51195854，fieldWeight=0.2323514，所以总的分数就是0.118954286

queryweigth计算：

对于queryweight部分的计算分为两个部分idf和querynorm，其中idf的值是2.8618271，这个值是如何计算的呢

idf=1+ln(1995/(309+1))=2.8618271,说明在分片四里面共有1995个文档，召回了包含“无”的309个文档，因此为这个值

querynorm部分的计算：根据上面“无”“线”“通”“信”四个的分数计算，可以看到，idf的值分别为

无：2.8618271

线：3.1053379

通：2.235371

信：2.901306

所以按照计算公式

[java] view plain copy 

1. 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

再次总结下此处的公式：queryweight=idf*queryNorm(d)

fieldweight部分计算：

idf的计算上边已经算过，在此不详细叙述

tf的值是在此处出现3次，所以为√3=1.7320508

fieldnorm的值不知道如何计算，按照公式计算不出来explain的值，网上资料说是编解码导致的，哪位朋友知道如何计算麻烦回复下，多谢

总结下fieldweight部分的计算公式：fieldweight=idf*tf*fieldnorm=1.7320508*2.8618271*0.046875=0.2323514

所以总体的计算就是

1. score=queryweight*fieldweight=idf*queryNorm(d)*idf*tf*fieldnorm=coord*queryNorm(d)*tf*idf^2*fieldnormview pl