ElasticSearch - function_score (field_value_factor具体实例)

迷南。 2023-02-13 11:18 72阅读 0赞

> 阅读本文需要先了解function\_score的相关知识，请看 [ElasticSearch - function\_score详解][ElasticSearch - function_score]

### 1. 数据准备 ###

首先准备数据和索引，在`ES`插入三条数据，其中`title`是`text`类型，`like`是`integer`类型(代表点赞量)。

{ "title": "ES 入门", "like": 2 }
    { "title": "ES 进阶", "like": 5 }
    { "title": "ES 最高难度", "like": 10 }

### 2. function\_score （field\_value\_factor）示例 ###

#### 2.1 普通查询 ####

先使用一般的`query`，查看普通的查询的评分会是如何：

GET 127.0.0.1/mytest/doc/_search
    {
        "query": {
            "match": {
                "title": "ES"
            }
        }
    }
    
    "hits": [
        {
            "_score": 0.2876821,
            "_source": { "title": "ES 入门", "like": 2 }
        },
        {
            "_score": 0.20309238,
            "_source": { "title": "ES 进阶", "like": 5 }
        },
        {
            "_score": 0.16540512,
            "_source": { "title": "ES 最高难度", "like": 10 }
        }
    ]

#### 2.2 function\_score查询（field\_value\_factor） ####

##### 2.2.1 field\_value\_factor #####

使用`function_score`的`field_value_factor`改变`_score`，将`old_score`乘上`like`的值。

{
        "query": {
            "function_score": {
                "query": {
                    "match": {
                        "title": "ES"
                    }
                },
                "field_value_factor": {
                    "field": "like"
                }
            }
        }
    }
    
    "hits": [
        {
            "_score": 1.6540513, //原本是0.16540512
            "_source": { "title": "ES 最高难度", "like": 10 }
        },
        {
            "_score": 1.0154619, //原本是0.20309238
            "_source": { "title": "ES 进阶", "like": 5 }
        },
        {
            "_score": 0.5753642, //原本是0.2876821
            "_source": { "title": "ES 入门", "like": 2 }
        }
    ]

本来 `"ES最高难度`" 的`score`是`0.16540512`，经过`field_value_factor`的改变，乘上了那个文档中的`like`值(`10`)之后，新的`score`变为 `1.6540513`

##### 2.2.2 max\_boost #####

加上`max_boost`，限制`field_value_factor`的最大加强`score`。

GET 127.0.0.1/mytest/doc/_search
    {
        "query": {
            "function_score": {
                "query": {
                    "match": {
                        "title": "ES"
                    }
                },
                "field_value_factor": {
                    "field": "like"
                },
                "max_boost": 3
            }
        }
    }
    
    "hits": [
        {
            "_score": 0.6092771, //原本是0.20309238
            "_source": { "title": "ES 进阶", "like": 5 }
        },
        {
            "_score": 0.5753642, //原本是0.2876821
            "_source": { "title": "ES 入门", "like": 2 }
        },
        {
            "_score": 0.49621537, //原本是0.16540512
            "_source": { "title": "ES 最高难度", "like": 10 }
        }
    ]

可以看到`“ES入门”`的加强score是2，在`max_boost`限制裡，所以不受影响。而`“ES进阶”`和`“ES最高难度”`的`field_value_factor`函数产生的加强score因为超过max\_boost的限制，所以被设为`3`。

##### 2.2.3 field\_value\_factor中还支持 modifier、factor 参数 #####

有时候线性的计算`new_score = old_score * like`值的效果并不是那麽好，`field_value_factor`中还支持 `modifier`、`factor` 参数，可以改变like值对`old_score`的影响。

**modifier参数支持的值：**

*  `none` : new\_score = old\_score \* like值
    
    默认状态就是`none`，线性。  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpamluZ2ppbmdjaG4_size_16_color_FFFFFF_t_70_pic_center]
 *  `log1p` : new\_score = old\_score \* log(1 + like值)
    
    最常用，可以让like值字段的评分曲线更平滑。  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpamluZ2ppbmdjaG4_size_16_color_FFFFFF_t_70_pic_center 1]
 *  `log2p` : new\_score = old\_score \* log(2 + like值)
 *  `ln` : new\_score = old\_score \* ln(like值)
 *  `ln1p` : new\_score = old\_score \* ln(1 + like值)
 *  `ln2p` : new\_score = old\_score \* ln(2 + like值)
 *  `square` : 计算平方
 *  `sqrt` : 计算平方根
 *  `reciprocal` : 计算倒数

**factor参数：**  
`factor`作为一个调节用的参数，没有`modifier`那麽强大会改变整个曲线，他仅改变一些常量值，设置`factor>1会`提昇效果，`factor<1`会降低效果。假设`modifier`是`log1p`，那麽加入了`factor`的公式就是`new_score = old_score * log(1 + factor * like值)`。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpamluZ2ppbmdjaG4_size_16_color_FFFFFF_t_70_pic_center 2]

对刚刚的例子加上 `modifier`、`factor`参数的查询语句如下：

GET 127.0.0.1/mytest/doc/_search
    {
        "query": {
            "function_score": {
                "query": {
                    "match": {
                        "title": "ES"
                    }
                },
                "field_value_factor": {
                    "field": "like",
                    "modifier": "log1p",
                    "factor": 2
                }
            }
        }
    }

##### 2.2.4 boost\_mode #####

就算加上了`modifier`，但是 “全文评分 与 `field_value_factor`函数值乘积” 的效果可能还是太大，我们可以通过参数`boost_mode`来决定 `old_score` 和 `加强score` 合併的方法。

*  如果将`boost_mode`改成`sum`，可以大幅弱化最终效果，特别是使用一个较小的`factor`时；
 *  加入了`boost_mode=sum`、且`factor=0.1`的公式变为`new_score = old_score + log(1 + 0.1 * like值)`；

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpamluZ2ppbmdjaG4_size_16_color_FFFFFF_t_70_pic_center 3]

对刚刚的例子加上`max_boost`参数的查询语句如下：

[ElasticSearch - function_score]: https://blog.csdn.net/lijingjingchn/article/details/106405577
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpamluZ2ppbmdjaG4_size_16_color_FFFFFF_t_70_pic_center]: https://img-blog.csdnimg.cn/20200528170925247.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpamluZ2ppbmdjaG4=,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpamluZ2ppbmdjaG4_size_16_color_FFFFFF_t_70_pic_center 1]: https://img-blog.csdnimg.cn/20200528171044788.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpamluZ2ppbmdjaG4=,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpamluZ2ppbmdjaG4_size_16_color_FFFFFF_t_70_pic_center 2]: https://img-blog.csdnimg.cn/20200528171548779.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpamluZ2ppbmdjaG4=,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpamluZ2ppbmdjaG4_size_16_color_FFFFFF_t_70_pic_center 3]: https://img-blog.csdnimg.cn/20200528172029332.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpamluZ2ppbmdjaG4=,size_16,color_FFFFFF,t_70#pic_center