一加Ace2 Pro官宣：普及16G內(nèi)存 引領(lǐng)24G
一加官方今天繼續(xù)為本月發(fā)布的新機一加Ace2 Pro帶來預熱，公布了內(nèi)存方面的信息。“淘汰 8GB ，12GB 起步，16GB 普及，24GB 引領(lǐng)，還有呢？#一加Ace2Pro#，2023 年 8 月，敬請期待。”同時
在 Elasticsearch 中，function_score 可以讓我們在查詢的同時對搜索結(jié)果進行自定義評分。
function_score 提供了一系列的參數(shù)和函數(shù)讓我們可以根據(jù)需求靈活地進行設(shè)置。
近期有同學反饋，function_score 的相關(guān)參數(shù)不好理解，本文將深入探討 function_score 的核心參數(shù)和函數(shù)。
圖片
Elasticsearch 的 function_score 查詢是一種強大的工具，它可以允許我們修改文檔的基本的相關(guān)評分，讓我們在特定的應用場景下獲得更好的搜索結(jié)果。
這個功能通過提供了一組內(nèi)置函數(shù)（如 script_score, weight, random_score, field_value_factor, decay functions等），以及一系列參數(shù)（如boost_mode和score_mode等）來實現(xiàn)。
以下是一些 function_score 可以應用的場景：
如果需要了解用戶的興趣或者行為，我們可以使用 function_score 來提升用戶可能感興趣的結(jié)果。
比如在推薦系統(tǒng)中，如果我們已知道用戶喜歡某個作者的文章，可以提升這個作者的文章的得分。
比如最近火熱的“羅剎海市”就被網(wǎng)易云音樂推薦到最前面。
圖片
如果我們需要從一個大的數(shù)據(jù)集中隨機抽樣，可以使用 random_score 函數(shù)。
這個函數(shù)會給每個文檔生成一個隨機得分，從而讓我們能夠得到隨機的搜索結(jié)果。
對于一些時間敏感的數(shù)據(jù)，比如新聞、博客文章或者論壇帖子，新的文檔通常比舊的文檔更相關(guān)。
在這種情況下，我們可以使用 decay functions（衰減函數(shù)） 來降低舊的文檔的得分。
如果我們的應用關(guān)心地理位置，比如房地產(chǎn)或者旅游相關(guān)的應用。
可以使用 decay functions （衰減函數(shù)）來提升接近某個地理位置的文檔的得分。
如果我們的文檔有一些字段值可以影響相關(guān)度評分，可以使用 field_value_factor （字段值因子）函數(shù)。
比如在電商場景，一個商品的銷量、評分或者評論數(shù)量可能會影響搜索結(jié)果的排序。
總的來說，function_score 提供了一種靈活的方式來滿足各種復雜的相關(guān)度評分需求。
boost_mode 決定了如何將查詢得分和函數(shù)得分進行組合。
可接受的參數(shù)有：
boost_mode | 描述 |
multiply | 查詢得分和函數(shù)得分相乘（默認值） |
sum | 查詢得分和函數(shù)得分相加 |
avg | 查詢得分和函數(shù)得分的平均值 |
first | 僅僅使用函數(shù)得分 |
max | 查詢得分和函數(shù)得分中的最大值 |
min | 查詢得分和函數(shù)得分中的最小值 |
replace | 完全替換查詢得分，只使用函數(shù)得分 |
score_mode 決定了如何處理多個函數(shù)的分數(shù)。
可接受的參數(shù)有：
score_mode | 描述 |
multiply | 各個函數(shù)得分相乘 |
sum | 各個函數(shù)得分相加（默認值） |
avg | 各個函數(shù)得分的平均值 |
first | 僅僅使用第一個函數(shù)的得分 |
max | 各個函數(shù)得分中的最大值 |
min | 各個函數(shù)得分中的最小值 |
function_score 提供了多種函數(shù)類型來進行自定義評分：
Score Function | 描述 |
script_score | 用腳本計算得分 |
weight | 簡單地修改查詢得分，不考慮字段值 |
random_score | 生成隨機得分 |
field_value_factor | 使用字段值進行計算得分 |
decay functions | 衰減函數(shù)，根據(jù)字段值的距離計算得分，越近得分越高 |
為了幫助大家更好地理解，我們將創(chuàng)建一個簡單的索引，插入一些文檔，并對它們執(zhí)行 function_score 查詢。
假設(shè)我們有一個名為 articles 的索引，里面存儲了一些博客文章的數(shù)據(jù)，包括作者(author)，標題(title)，內(nèi)容(content)，以及這篇文章的喜歡數(shù)量(likes)。
首先，創(chuàng)建索引并添加一些文檔：
PUT /articles{ "mappings": { "properties": { "title": { "type": "text" }, "author": { "type": "text" }, "content": { "type": "text" }, "likes": { "type": "integer" } } }}POST /_bulk{ "index" : { "_index" : "articles", "_id" : "1" } }{ "title": "Elasticsearch Basics", "author": "John Doe", "content": "This article introduces the basics of Elasticsearch.", "likes": 100 }{ "index" : { "_index" : "articles", "_id" : "2" } }{ "title": "Advanced Elasticsearch", "author": "Jane Doe", "content": "This article covers advanced topics in Elasticsearch.", "likes": 500 }{ "index" : { "_index" : "articles", "_id" : "3" } }{ "title": "Elasticsearch Function Score Query", "author": "John Doe", "content": "This article discusses the function_score query in Elasticsearch.", "likes": 250 }現(xiàn)在我們有了一些文檔，讓我們對它們執(zhí)行 function_score 查詢。
GET /articles/_search{ "query": { "function_score": { "query": { "match_all": {} }, "boost": "5", "functions": [ { "script_score": { "script": { "source": "Math.log(1 + doc['likes'].value)" } } } ], "boost_mode": "multiply" } }}上述查詢使用了 Elasticsearch 的 function_score 查詢。
它首先對 "articles" 索引中的所有文檔進行匹配（使用 match_all 查詢），然后使用一個腳本函數(shù)（script_score），該腳本會計算每個文檔的 "likes" 字段的自然對數(shù)值加一（Math.log(1 + doc['likes'].value)），然后把這個得分與原始查詢得分相乘（由于 boost_mode 被設(shè)為了 "multiply"），最終的得分再乘以5（由于 boost 被設(shè)為了 "5"）。這種查詢用于根據(jù) "likes" 字段對結(jié)果進行加權(quán)排序。
執(zhí)行結(jié)果如下：
圖片
GET /articles/_search{ "query": { "function_score": { "query": { "match_all": {} }, "functions": [ { "random_score": { "field": "likes" } } ], "boost_mode": "replace" } }}上述查詢使用 Elasticsearch 的 function_score 查詢，并配合使用 random_score 函數(shù)。random_score 函數(shù)根據(jù) "likes" 字段的值生成一個隨機分數(shù)。
重要的是，由于沒有提供一個固定的種子（seed），所以每次執(zhí)行這個查詢都會返回一個全新的隨機排序結(jié)果。
match_all 是基礎(chǔ)查詢，用來匹配所有文檔。然后 random_score 函數(shù)基于 "likes" 字段值生成隨機分數(shù)。
boost_mode 設(shè)為 "replace" 表示忽略基礎(chǔ)查詢的分數(shù)，完全使用 random_score 函數(shù)的分數(shù)作為最終結(jié)果。所以，這個查詢會在每次執(zhí)行時都返回全新的隨機排序結(jié)果。
執(zhí)行結(jié)果如下圖所示：
圖片
這對于一些字段很有用，比如"likes"：一篇有很多"likes"的文章可能比"likes"少的文章更相關(guān)。
示例如下：
GET /articles/_search{ "query": { "function_score": { "query": { "match": { "content": "Elasticsearch" } }, "functions": [ { "field_value_factor": { "field": "likes", "factor": 1.2, "modifier": "sqrt", "missing": 1 } } ], "boost_mode": "multiply" } }}在這個查詢中：
表示基礎(chǔ)查詢是在 "content" 字段中匹配包含 "Elasticsearch" 的文章。
函數(shù)用來基于 "likes" 字段的值調(diào)整查詢得分。它首先取 "likes" 字段的值，如果文檔沒有 "likes" 字段或者該字段的值為空，那么將使用 "missing" 參數(shù)指定的默認值1。然后，它將取得的值乘以 "factor" 參數(shù)指定的因子1.2。最后，它將結(jié)果進行 "modifier" 參數(shù)指定的平方根運算（"sqrt"）。
參數(shù)設(shè)置為 "multiply"，這表示將基礎(chǔ)查詢的得分和 field_value_factor 函數(shù)計算得出的得分相乘，以得到最終的文檔得分。
所以，這個查詢會返回包含 "Elasticsearch" 的文章，并且文章的得分會根據(jù) "likes" 字段的值進行調(diào)整，"likes" 值越高的文章，得分也會越高。
執(zhí)行結(jié)果如下：
圖片
如果值接近某個中心點，得分就會更高。這對于日期或地理位置字段特別有用。
Elasticsearch 提供了三種衰減函數(shù)：線性（linear）、指數(shù)（exp）、和高斯（gauss）。
以下是使用 gauss 函數(shù)的一個示例：
GET /articles/_search{ "query": { "function_score": { "query": { "match": { "content": "Elasticsearch" } }, "functions": [ { "gauss": { "likes": { "origin": "100", "scale": "20", "offset": "0", "decay": 0.5 } } } ], "boost_mode": "multiply" } }}上述執(zhí)行可概括為：使用 function_score 和 gauss 函數(shù)對含有 'Elasticsearch' 的文章進行基于 'likes' 字段的高斯衰減得分調(diào)整"。
在這個查詢中：
表示基礎(chǔ)查詢是在 "content" 字段中匹配包含 "Elasticsearch" 的文章。
函數(shù)則是用來對 "likes" 字段的值進行高斯衰減處理。
其中，
參數(shù) | 值 | 描述 |
origin | 100 | 期望的中心點，即 "likes" 字段的最理想值 |
scale | 20 | 表示衰減的速度，也就是距離 "origin" 值多遠時，得分會衰減到原始得分的一半 |
offset | 0 | 表示在距離 "origin" 多少的范圍內(nèi)不進行衰減 |
decay | 0.5 | 表示當距離超過了 "scale" 之后，得分會以多快的速度衰減，例如 0.5 表示超過 "scale" 距離后，得分會衰減到原始得分的一半 |
參數(shù)設(shè)置為 "multiply"，這表示將基礎(chǔ)查詢的得分和 gauss 函數(shù)計算得出的得分相乘，以得到最終的文檔得分。
所以，這個查詢會返回包含 "Elasticsearch" 的文章，并且文章的得分會根據(jù) "likes" 字段的值進行高斯衰減處理，"likes" 值越接近100的文章，得分也會越高。
圖片
在深入了解 Elasticsearch 的 function_score 后，我們可以明顯感受到其在搜索應用中的強大作用。無論是基于特定字段值的排序，還是利用自定義腳本微調(diào)搜索結(jié)果，function_score 都能發(fā)揮其出色的性能。
盡管 function_score 的參數(shù)和選項多樣，初看可能會覺得復雜，但只需理解各參數(shù)的含義和作用，我們就能根據(jù)需求靈活運用。實際案例中，我們使用了 script_score、field_value_factor、random_score 和 decay functions 等函數(shù)，演示了如何通過 function_score 滿足復雜的搜索需求。
但是，我們也必須注意，在使用 function_score 時，要慎重考慮性能問題，因為復雜的函數(shù)和腳本可能占用大量計算資源。在實際應用中，我們應始終關(guān)注這一點，以維護良好的系統(tǒng)性能。
此外，隨著數(shù)據(jù)和用戶行為的不斷變化，我們需要持續(xù)觀察、學習和調(diào)整搜索策略，以不斷提升用戶體驗。在這個過程中，function_score 將是我們強有力的工具。
總的來說，Elasticsearch 的 function_score 是一個強大而靈活的工具，只要我們深入了解并恰當使用，就能夠挖掘其巨大的潛力，提升我們的搜索應用性能和用戶體驗。
本文鏈接：http://www.www897cc.com/showinfo-26-132-0.html深度探索 Elasticsearch 8.X：function_score 參數(shù)解讀與實戰(zhàn)案例分析
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請聯(lián)系：2376512515@qq.com 津ICP備18001702號
津公網(wǎng)安備 12010102000574號