elasticsearch系列score

Posted 2020-09-21 ulysses_you

概述

score在ES中有着很重要的作用，有了它才有了rank，是验证文档相关性的关键数据，score越大代表匹配到的文档相关性越大

 

官方解释

查询的时候可以用explain来展示score的计算过程，也可以增加format=yaml来讲json转成yaml方便阅读

类似xxx/_search?explain&format=yaml

下图是通过explain看到的一部分json，其实这个解释中就展示出了计算公式，不得不说ES在这点上还是很人性化的

 

 

计算方式

常说的相关性是指计算一个全文（full-text）字段的内容与全文查询字符串的相似程度的算法。

这个算法默认是BM25，一个基于TF-IDF（term frequency/inverse document frequency）的算法。

TF-IDF

首先是TF（term frequency），顾名思义，term在field出现的频率越高，则该term与field的相关性越高。

公式：

sqrt(TF)

然后是IDF（inverse document frequency），term在整个index出现的频率越高，则该term与该document的相关性越低。

公式：

Log(numDocs / docFreq + 1) + 1

 

BM25

BM全称（Best Match），这个名称不得不说有点过分，这个算法也同样有TF和IDF。

TF，BM25把TF的影响范围减小了，不像TF-IDF一样没有边界

公式：

（k+1）* tf /（k + tf），k一般是个常量，[1.2,2]，通过k可以改变回归的速度。

IDF几乎一样，只是多加了1（为了提高其整体影响比重）

BM25新加了另一个特征，Field-length norm，field的长度有多少，如果field的长度越长，则该term与field的相关性越低（分母越大，概率越小）。

公式：

|d|/avgDl（本文档的长度除以平均文档的长度）

下图为不同文档长度对应相同tf所影响最终tf的曲线。

公式：

（k + 1）* tf / k * ( 1.0 - b + b - L + tf) （其中b为常数）

 

BM25 Field-length norm之间的对比

 

 

TF-IDF和BM25对比

在TF角度的对比

 

计算流程

Score的计算过程依赖query clause（查询子条件），例如：

1.模糊查询计算匹配到的word和原来的word（匹配前的word）的相似度

2.term查询会包含找到该term所占的百分比

个别查询会结合TF-IDF的socre和其它因素，越多的query clause（查询子条件）匹配到，那么score就越高，具体来说，是query clause匹配得到的score联合起来计算出最终的score。

 

需要注意的是，TF-IDF默认是基于shard来计算的，假设1个index有5个shards，则就有5个TF-IDF的结果，也就是5个score，然后score再汇聚到request node，做排序后得到最终结果。所以这有产生了另一个问题，当index的documents数量较少时，score的结果会不准确，毕竟不是全局的，shard也只是通过hash来区分，有很大的随机性和偶然性。针对这种情况，ES给出了DFS Query Then Fetch（默认是采用Query Then Fetch）这种解决方案，采用全局计算TF-IDF的方式，解决这个问题，在查询的时候可以这么设置

search_type=dfs_query_then_fetch

（不过会影响效率，毕竟是全局计算，多了几次socket传输）。其实还有一种解决方法，直接把index的shard设置成1，这样自己就代表了全局。

 

Query Then Fetch

稍微解释一下Query Then Fetch，顾名思义，是先查询后获取。

查询流程如下

 

score as percentage

刚接触score的时候，总有疑惑，为什么不是一个百分比，这样可能更加直观的表现出匹配到正确的概率，也就是术语”normalized socre”。

这么想是错误的!

Score的意义仅仅在于对比一次查询的多个结果的对比，起到rank作用，并不能代表匹配到的概率，更不能拿几个匹配到的概率做比较，比如：当一个document本身没有发生变化，但是index发生变化，就会影响匹配到document的sorce。这样的概率是没什么意义的，虽然你可以强行造出一个概率。

 

另外

在做业务的过程中领悟到，搜索系统和推荐系统不是一个系统（之前没想过这个问题），重要区别之一就是主动和被动，详细看这篇博客吧，说的很详细了

http://blog.csdn.net/cserchen/article/details/50422553

 

参考资料

//官方对相关性的解释，也就是score的计算标准

https://www.elastic.co/guide/en/elasticsearch/guide/master/relevance-intro.html

//当你的数据很少时，请用DFS Query Then Fetch搜索方法

https://www.elastic.co/blog/understanding-query-then-fetch-vs-dfs-query-then-fetch

//ES的两个搜索方法

https://www.elastic.co/guide/en/elasticsearch/reference/current/search-request-search-type.html

//ES官方解释的BM25和TF-IDF区别

https://www.elastic.co/blog/found-similarity-in-elasticsearch

//外国友人对BM25和TF-IDF的解读

http://opensourceconnections.com/blog/2015/10/16/bm25-the-next-generation-of-lucene-relevation/

//外国友人吐槽 当score变成percentage的后果

https://wiki.apache.org/lucene-java/ScoresAsPercentages