ES自定义评分函数评分查询ES会为查询的每篇文档计算一个相关度评分score，默认按照评分从高到低的顺序返回搜索结果。在很多场景下，我们不仅需要搜索匹配的结果，还需要能够对搜索结果进行一定的重新排序。例如：搜索某个关键字的文档，并考虑文档的时效性进行综合排名。搜索旅游景点附近的酒店，并根据距离和价格等因素对酒店进行综合排序。搜索标题包含elasticsearch的文章，并根据浏览量和点赞量进行综合排序。功能分数查询允许我们实现最终分数的自定义评分。score自定义评分过程为了写作方便，本文将ES对匹配query的文档进行评分得到的score记录为query_score，最终搜索结果的score记录为result_score。显然，在正常情况下（即不使用自定义评分时），result_score就是query_score。那么当我们使用自定义评分时会发生什么？最终结果的得分即result_score的计算过程如下：和之前一样执行query，得到原始的query_score。执行setcustomscoringfunction，为每个文档得到一个新的分数，在本文中记为func_score。最终结果的分数result_score等于query_score和func_score以某种方式计算（默认乘法）。比如搜索标题包含elasticsearch的文档。如果不使用自定义评分，搜索格式如下：GET/_search{"query":{"match":{"title":"elasticsearch"}}}假设我们最终得到三个搜索结果，分数分别为0.3、0.2、0.1。使用自定义评分，function_score，语法如下：GET/_search{"query":{"function_score":{"query":{"match":{"title":"elasticsearch"}}"boost_mode":"multiply"}}}最终搜索结果分数的计算过程是：执行查询得到原始分数，即对应上面的假设，即query_score分别为0.3、0.2、0.1。执行一个自定义的评分函数，这一步会为每个文档得到一个新的分数，假设新的分数是func_score分别为1、3、5。最终结果的得分为result_score=query_score*func_score，三个假设搜索结果的最终得分分别为0.3*1=0.3、0.2*3=0.6、0.1*5=0.5，至此我们完成了新的打分process，搜索结果也会按照最终得分降序排列。最终得分result_score通过query_score和func_score计算，计算方式由参数boost_mode定义：multiply：multiply（默认），result_score=query_score*function_scorereplace：replace，result_score=function_scoresum：add，result_score=query_score+function：_scoreavg取两者的平均值，result_score=Avg(query_score,function_score)max：取两者的最大值，result_score=Max(query_score,function_score)min：取两者的最小值，result_score=Min(query_score,function_score)后阅读本文，您应该对自定义评分流程（查询原始评分、自定义函数评分、最终结果评分）有一个基本印象。但是我们还有一个关键点没有讲到，那就是自定义评分函数怎么设置？function_score打分函数function_score提供以下打分函数：weight：加权。random_score：随机分数。field_value_factor：使用字段的值参与分数的计算。decay_function：衰减函数gauss、linear、exp等。script_score：自定义脚本。weightweight加权，即给每个文档一个权重值。示例：{"query":{"function_score":{"query":{"match":{"message":"elasticsearch"}},"weight":5}}}示例中权重为5，即即，由于定义函数scorefunc_score=5，最终结果的score等于query_score*5。当然，这个例子对所有匹配项进行加权，并没有改变搜索结果的顺序。让我们看另一个例子：":{"title":"elasticsearch"}},"weight":5}]}}}我们可以通过filter限制权重的范围，另外我们可以在函数中同时使用多个评分函数。random_scorerandom_score随机打分，产生一个均匀分布在[0,1)之间的随机分数值。例子：GET/_search{"query":{"function_score":{"random_score":{}}}}虽然是随机值，但是有时候我们需要随机值保持一致。例如，所有用户随机生成搜索结果，但同一用户的随机结果是一致的。在这种情况下，您只需为同一用户指定相同的种子即可。示例：{"query":{"function_score":{"random_score":{"seed":10,"field":"_seq_no"}}}}默认情况下，当没有设置字段时，将使用Lucenedocidas随机源用于生成随机值，但是这样会消耗大量内存。官方建议将该字段设置为_seq_no。主要需要注意的是，即使指定了相同的seed，在某些情况下随机值也会发生变化，因为一旦更新了字段，_seq_no也随之更新，导致随机源发生变化。组合多个函数的示例：GET/_search{"query":{"function_score":{"query":{"match_all":{}},"boost":"5","functions":[{"filter"：{“匹配”：{“测试”：“酒吧”}}，“random_score”：{}，“重量”：23}，{“过滤器”：{“匹配”：{“测试”：“猫”}},"weight":42}],"max_boost":42,"score_mode":"max","boost_mode":"multiply","min_score":42}}}在上面的示例函数中，两个评分函数是set:一个是random_score随机打分，权重为23，另一个只有权重42通过这个函数是将权重42score_mode的值设置为max，意思是取两个评分函数的最大值作为func_score，对应上面的假设，就是2.3和42的最大值，即func_score=42boost_mode设置为multiply，即把原来的query_score和func_score相乘得到最终的score。参数score_mode指定多个评分函数如何组合计算一个新的分数：multiply：乘以分数（默认）sum：addavg：加权平均first：使用第一个过滤函数的分数max：取最大值min：取最小值是为了避免新分数的值过高，上限可以通过max_boost参数设置。需要注意的是，无论我们如何自定义评分，都不会改变原始查询的匹配行为。当我们自定义评分时，我们会在原始查询完成后重新计算每个匹配文档的分数。<\b>为了排除一些分数过低的结果，我们可以通过min_score参数设置最低分数阈值。field_value_factorfield_value_factor使用字段的值参与分数的计算。例如，使用likes字段进行综合搜索：{"query":{"function_score":{"query":{"match":{"message":"elasticsearch"}},"field_value_factor":{"field":"likes","factor":1.2,"missing":1,"modifier":"log1p"}}}}说明：field：参与计算的字段。factor:倍增因子，默认为1，会与field的字段值相乘。missing:如果字段字段不存在，则使用missing指定的默认值。modifier:计算函数，为了避免分数差异过大，用于平滑分数，可以是以下之一：none:不处理，默认log:log(factor*field_value)log1p:log(1+factor*field_value)log2p:log(2+factor*field_value)ln:ln(factor*field_value)ln1p:ln(1+factor*field_value)ln2p:ln(2+factor*field_value)square:square,(factor*field_value)^2sqrt:squareroot,sqrt(factor*field_value)reciprocal:求倒数，1/(factor*field_value)假设匹配文档的点赞数为1000，则例子中打分函数生成的分数为log(1+1.2*1000)，最终得分是原始查询得分与打分函数得分之差。decay_functiondecay_function衰减函数，例如：以某个值为中心点，从一定距离开始逐渐衰减（缩小分数），以某个日期为中心点，从一定地理距离开始逐渐衰减（缩小分数）以位置点为中心点，超出距离逐渐衰减（缩小分数）。例子："DECAY_FUNCTION":{"FIELD_NAME":{"origin":"30,120","scale":"2km","offset":"0km","decay":0.33}}上面的例子意味着在距离中心点2公里的半径范围外，分数减少到三分之一（乘以衰减值0.33）。DECAY_FUNCTION可以是以下任意一个函数：linear:线性函数exp:指数函数gauss:高斯函数origin:中心点，只能是一个值，日期，geo-pointscale:定义到中心点的距离offset:offset,default0decay:衰减指数，默认0.5例子：GET/_search{"query":{"function_score":{"gauss":{"@timestamp":{"origin":"2013-09-17","scale":"10d","offset":"5d","decay":0.5}}}}}中心点为2013-09-17日期，scale为10d，表示日期范围为从2013-09-12到2013-09score为-22的文档的权重为1，dateoutsidescale+offset=15d的文档的权重为0.5。如果参与计算的字段有多个值，则默认选择距离中心点最近的值，即距离中心点最短的值，可以通过multi_value_mode设置：min：最近的距离max：最远的distanceavg：平均距离sum：所有距离累计例子：GET/_search{"query":{"function_score":{"query":{"match":{"properties":"bigbalcony"}},"functions“：[{“高斯”：{“价格”：{“原点”：“0”，“比例”：“2000”}}}，{“高斯”：{“位置”：{“原点”：“30,120","scale":"2km"}}],"score_mode":"multiply"}}}假设这是一个大阳台的房子搜索。上例中price字段的中心点设置为0，范围在2000以内，location字段的中心点设置为“30,120”，半径2km内，得分为超出这个范围的匹配结果会进行高斯衰减，即分数会降低。script_scorescript_score自定义脚本打分，如果以上打分功能还不够你也可以直接写脚本打分。示例：GET/_search{“query”：{“function_score”：{“query”：{“match”：{“message”：“elasticsearch”}}，“script_score”：{“script”：{“source”："Math.log(2+doc['my-int'].value)"}}}}}在脚本中，字段以doc['field']和doc['field']的形式被引用.value是使用的字段值。您还可以将额外参数与脚本内容分开：GET/_search{"query":{"function_score":{"query":{"match":{"message":"elasticsearch"}},"script_score":{"script":{"params":{"a":5,"b":1.2},"source":"params.a/Math.pow(params.b,doc['my-int'].value)"}}}}}结语通过了解Elasticsearch的自定义评分，相信您可以更好地完成适合您业务的综合搜索。
