ElasticSearch的劈山斧-自定义评分

ElasticSearch自定义评分

一、适用的场景

1.基本介绍

ES的使用中，ES会对我们匹配文档进行相关度评分。但对于一些定制化的场景，默认评分规则满足不了我们的要求。这些定制化场景，ES也是推出了自定义评分方式来进行支持。可以使用ES提供的一些函数，什么可以使用比较分来让我们的评分规则多样化？我举个大家都很熟悉的场景，在点外卖时候，大家是不是有一个综合排序，比如用户希望通过距离和价格来进行综合排序，这在mysql中是不是比较难以实现，接下来我将由简到繁的来教你如何在ES中实现这种综合评分排序的功能。

2.使用场景

2.1根据价格评分排序

在mysql中我们可以通过价格从高到低，从低到高排序，但是像订酒店那样，用户有期望价格的，酒店越符合用户的期望价格，评分越高。mysql的排序这时候是不是有点捉襟见肘了。废话不多说了，直接来ES实现。

java">{"from": 0,"size": 12,"query": {"function_score": {"query": {"bool": {"must": [{"term": {"price": {"value": 50,"boost": 1.0}}}],"adjust_pure_negative": true,"boost": 1.0}},"functions": [{"filter": {"match_all": {"boost": 1.0}},"gauss": {"price": {"origin": 50,"offset": 0,"scale": "25","decay": 0.5}}}]}},"sort": [{"_score": {"order": "desc"}}]}

2.2根据距离评分排序

在我们日常使用的场景，我们经常有需要根据距离来进行排序评分，常见的App中都是有一个距离更近，来筛选商户。接下来就来看看ES的实现。

java">{"from": 0,"size": 12,"query": {"function_score": {"query": {"bool": {"must": [{"term": {"price": {"value": 50,"boost": 1.0}}}],"adjust_pure_negative": true,"boost": 1.0}},"functions": [{"filter": {"match_all": {"boost": 1.0}},"gauss": {"location": {"origin": {"lon": 130.380857,"lat": 31.112834},"offset": 0,"scale": "150km","decay": 0.5}}}]}},"sort": [{"_score": {"order": "desc"}}]}

2.3根据距离价格综合评分排序

上面举例了两个单一的场景，要么是价格，要么是距离，那如果想实现复杂点的场景呢，希望通过距离和价格综合排序。比如用户希望订一个距离虹桥火车站近的，价格200左右的酒店。废话不多说，直接看实现。

java">{"from": 0,"size": 12,"query": {"function_score": {"query": {"match_all": {"boost": 1.0}},"functions": [{"filter": {"match_all": {"boost": 1.0}},"gauss": {"location": {"origin": {"lon": 130.380857,"lat": 31.112834},"scale": "150km","decay": 0.5},"multi_value_mode": "MIN"},"weight": 1},{"filter": {"match_all": {"boost": 1.0}},"gauss": {"price": {"origin": 200,"offset": 0,"scale": "25","decay": 0.5}},"weight": 2}],"score_mode": "sum","boost_mode": "replace","max_boost": 3.4028235E38,"boost": 1.0}},"sort": [{"_score": {"order": "desc"}}]}

2.4自定义编写脚本

像上面都是ES提供给我们现成的功能函数，但是，用户的场景千千万，总有一个场景这些函数会不适合。比如，用户希望酒店的价格的结尾含8的评分更高呢。ES提供的这些函数就不起作用了，但ES还提供了终极密法。你可以自定义脚本来决定每个文档的分数。

java">{"from": 0,"size": 12,"query": {"function_score": {"query": {"bool": {"must": [{"term": {"price": {"value": 50,"boost": 1.0}}}],"adjust_pure_negative": true,"boost": 1.0}},"functions": [{"filter": {"match_all": {"boost": 1.0}},"script_score": {"script": {"source": "doc['price'].size()==0?0:5","lang": "painless"}}}],"score_mode": "sum","boost_mode": "replace","max_boost": 3.4028235E38,"boost": 1.0}},"sort": [{"_score": {"order": "desc"}}]}

二、常用的字段解释

1.整体结构

如果需要使用自定义评分，评分查询结构和正常的查询结构还是有些区别的,分页和排序和正常的都是一样的，主要还是query内的成员，使用的是function_score。我们来看看图上框住的就是自定义评分需要使用的特定的查询结构。看看里面是不是还有很多成员，接下来我一一为大家介绍这些成员的含义。

2.function_score

2.1 query

function_score第一个成员query，这个就和大家平时用的一样，筛选符合条件的结果，并把这个结果用作后面的评分函数的数据来源，我们来看看它内部的结构。下图框中，目的是为了查询price为50的结果

2.2 functions

functions，也是我们使用评分函数和编写脚本的地方，他的值是一个数组，也就是我们使用多个函数来进行综合评分，还可以对每个评分进行权重控制，主要有以下几个值

filter：filter主要通过条件匹配结果作用在当前函数上

weight：weight当前函数的权重，函数的分值会乘上weight

ES提供的几种评分模式，是脚本还是随机等

1. 衰减函数:

先看看官方的图，衰减函数的作用机制,我们可以设定一个期望值，越接近期望值的分越高，分值在0-1之间，分别有三条对应的函数曲线linear 、 exp 和 gauss （线性、指数和高斯函数）

原点（origin）：期望值，这个值可以得到满分（1.0）

偏移量（offset）：与原点相差在偏移量之内的值也可以得到满分

衰减规模（scale）：当值超出了原点到偏移量这段范围，它所得的分数就开始进行衰减了，衰减规模需配合衰减值一起使用。比如衰减规模是500米，衰减值是0.5，那么在500米的时候分值就是0.5，具体衰减速率由函数曲线决定

衰减值（decay）：该字段可以被接受的值（默认为 0.5），相当于一个分界点，具体的效果与衰减的模式有关

2. script_score：自定义脚本评分,主要就是我们编写脚本的地方

值	描述
source	就是我们需要填写脚本的地方
lang	使用的脚本语言，几个可选值对应相应的开发语言

3. random_score：随机得到 0 到 1 分数

4. field_value_factor：将某个字段的值进行计算得出分数。

2.3 score_mode

score_mode，主要是控制我们多个评分函数之间如何运算的，比如function_score第一个元素会对结果进行评分，第二元素也会对结果进行评分，我们通过参数来控制这两个的评分是相加还是别的操作，这最终得出来的分值也称为功能分值。有以下几个可选值

函数名称	描述
max	使用最高分
first	使用第一个评分函数的分值
multiply	多个评分函数分值相乘（默认）
avg	多个评分函数分值的平均值
sum	多个评分函数分值的分数和
min	使用最小分

2.4 boost_mode

boost_mode，控制的是查询分值（下图框起来的1的部分）和功能分值（下图框起来的2的部分）是如何运算的。有以下几个可选值

函数名称	描述
max	使用查询分数和功能分数里最大值
replace	使用功能分数，查询分数将被忽略
multiply	使用查询分数和功能分数相乘（默认）
avg	使用查询分数和功能分数平均值
sum	使用查询分数和功能分数和
min	使用查询分数和功能分数里最小值

三、通过ESJavaApi实现自定义评分功能

java">public static void main(String[] args) {/**构建functions**/FunctionScoreQueryBuilder.FilterFunctionBuilder[] filterFunctionBuilders = new FunctionScoreQueryBuilder.FilterFunctionBuilder[2];//第一个评分函数，gaussMap<String, Double> locationMap = new HashMap<String, Double>();locationMap.put("lat", 130.11);locationMap.put("lon", 12.12);ScoreFunctionBuilder gaussFunctionByLocation = ScoreFunctionBuilders.gaussDecayFunction("location", locationMap, "150km", 0, 0.5);filterFunctionBuilders[0] = new FunctionScoreQueryBuilder.FilterFunctionBuilder(gaussFunctionByLocation);//第二个评分函数，自定义评分String scriptLang = "painless";String script = "doc['price'].size()==0?0:5";ScriptScoreFunctionBuilder scriptFunction = ScoreFunctionBuilders.scriptFunction(new Script(Script.DEFAULT_SCRIPT_TYPE, scriptLang, script, Collections.emptyMap(), Collections.emptyMap()));filterFunctionBuilders[1] = new FunctionScoreQueryBuilder.FilterFunctionBuilder(scriptFunction);/**function_score**///构建queryBoolQueryBuilder boolQueryBuilder = QueryBuilders.boolQuery();//设置query，functionsFunctionScoreQueryBuilder functionScoreQueryBuilder = new FunctionScoreQueryBuilder(boolQueryBuilder, filterFunctionBuilders);//设置boostModefunctionScoreQueryBuilder.boostMode(CombineFunction.REPLACE);//设置scoreModefunctionScoreQueryBuilder.scoreMode(FunctionScoreQuery.ScoreMode.SUM);//设置分页排序SearchSourceBuilder sourceBuilder = new SearchSourceBuilder();sourceBuilder.from(0);sourceBuilder.size(12);sourceBuilder.sort("price", SortOrder.ASC);//执行SearchRequest searchRequest = new SearchRequest("index_name");searchRequest.source(sourceBuilder);}