Elasticsearch：使用 function_score 中的weight和gauss衰减函数定制搜索结果的分数

👏作者简介：大家好，我是Rockey，不知名企业的不知名Java开发工程师
🔥如果感觉博主的文章还不错的话，请👍三连支持👍一下博主哦
📝联系方式：he18339193956，加我进群，大家一起学习，一起读书，一起对抗互联网寒冬👀

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站 点击跳转浏览。
     今天有一个需求是按照先是未处理，已处理，处理中来进行排序，先显示未处理的事情，然后已处理和处理中的放在后面，并且是当检索框选择了截止时间之后，按照截止进行排序，并且之前的未处理和处理中的顺序不发生改变。
思路:
     这个其实先考虑未处理处理中和截止时间之间的排序关系。这个可以通过function_score 中的weight加强函数来进行排序，可以给未处理赋予最大的权重，截止时间次大，之后的未处理和处理中权重最小
截止时间那个排序可以通过function_score 中的衰减函数gass函数来进行排序，距离截止时间越远，得分越低。
这样的话就可以实现先按照未处理大的排序逻辑，之后按照截止时间进行排序

     这里衰减函数默认的话是按照当前时间为原点，然后进行衰减的

function_score支持的衰减函数有三种，分别是 linear、exp 和 gauss

linear、exp、gauss三种衰减函数的差别只在于衰减曲线的形状，在DSL的语法上的用法完全一样

• linear : 线性函数是条直线，一旦直线与横轴0香蕉，所有其他值的评分都是0
• exp : 指数函数是先剧烈衰减然后变缓
• guass(最常用) : 高斯函数则是钟形的，他的衰减速率是先缓慢，然后变快，最后又放缓

、

衰减函数们 (linear、exp、gauss) 支持的参数

• origin : 中心点，或是字段可能的最佳值，落在原点(origin)上的文档评分_score为满分1.0，支持数值、时间 以及
  “经纬度地理座标点”(最常用) 的字段
• offset : 从 origin
  为中心，为他设置一个偏移量offset覆盖一个范围，在此范围内所有的评分_score也都是和origin一样满分1.0
• scale : 衰减率，即是一个文档从origin下落时，_score改变的速度
• decay : 从 origin 衰减到 scale 所得的评分_score，默认为0.5 (一般不需要改变，这个参数使用默认的就好了)

以上面的图为例

• 所有曲线(linear、exp、gauss)的origin都是40，offset是5，因此范围在40-5 <= value <=
  40+5的文档的评分_score都是满分1.0
• 而在此范围之外，评分会开始衰减，衰减率由scale值(此处是5)和decay值(此处是默认值0.5)决定，在origin +/-
  (offset + scale)处的评分是decay值，也就是在30、50的评分处是0.5分
• 也就是说，在origin + offset + scale或是origin - offset -
  scale的点上，得到的分数仅有decay分

     这里衰减函数默认的话是按照当前时间为原点，然后进行衰减的，所以我们设置默认按照当前事件的前100天为原点，来开始得分衰减，并且是按照秒来进行衰减，这样的话就可以实现按照截止时间来进行排序
参考http://www.javashuo.com/article/p-syxxtytd-ka.html
https://www.cnblogs.com/yinjihuan/p/13570778.html这两篇打分博客

function_scroe其他辅助的参数

boost_mode : 决定 old_score 和 加强score 如何合併

• multiply(默认) : new_score = old_score * 加强score
• sum : new_score = old_score + 加强score
• min : old_score 和 加强score 取较小值，new_score = min(old_score, 加强score)
• max : old_score 和 加强score 取较大值，new_score = max(old_score, 加强score)
• replace : 加强score直接替换掉old_score，new_score = 加强score

score_mode : 决定functions裡面的加强score们怎麽合併，会先合併加强score们成一个总加强score，再使用总加强score去和old_score做合併，换言之就是会先执行score_mode，再执行boost_mode

• multiply (默认)
• sum
• avg
• first : 使用首个函数(可以有filter，也可以没有)的结果作为最终结果
• max
• min

java代码如下:用的weightFactorFunction和gaussDecayFunction

    GaussDecayFunctionBuilder dateGaussDecayFunctionBuilder=ScoreFunctionBuilders.gaussDecayFunction("截止时间",time , "100d", "0s").setWeight(10);
        FunctionScoreQueryBuilder.FilterFunctionBuilder[] filterFunctionBuilders = new FunctionScoreQueryBuilder.FilterFunctionBuilder[]{
                new FunctionScoreQueryBuilder.FilterFunctionBuilder(QueryBuilders.prefixQuery("未处理,), ScoreFunctionBuilders.weightFactorFunction(100)),
                new FunctionScoreQueryBuilder.FilterFunctionBuilder(QueryBuilders.prefixQuery(“处理中”), ScoreFunctionBuilders.weightFactorFunction(1)),
                new FunctionScoreQueryBuilder.FilterFunctionBuilder(QueryBuilders.prefixQuery(“已处理”), ScoreFunctionBuilders.weightFactorFunction(1)),
                new FunctionScoreQueryBuilder.FilterFunctionBuilder(dateGaussDecayFunctionBuilder)
        };

        FunctionScoreQueryBuilder functionScoreQueryBuilder = QueryBuilders.functionScoreQuery(filterFunctionBuilders).scoreMode(FiltersFunctionScoreQuery.ScoreMode.SUM);

1
2
3
4
5
6
7
8
9
10

ScoreMode采用累加的方式

官方文档https://www.elastic.co/guide/cn/elasticsearch/guide/current/decay-functions.html

结语

🔥一个人可以掌握知识，但只有与他人交流才能形成智慧。
🔥One person can acquire knowledge, but wisdom is formed only in the exchange with others.
📝 欢迎大家关注博主公众号 Rockey小何同学 添加博主微信：he18339193956进群，一起学习，一起成长，一起提高认知。
🏆 我坚信人与人之间的差距是表面上是财富的差距，本质上是大脑中认知的差距，

我们下期再见。