tf/idf评分算法
lucene 的评分机制
elasticsearch是基于lucene的，所以他的评分机制也是基于lucene的。评分就是我们搜索的短语和索引中每篇文档的相关度打分。
如果没有干预评分算法的时候，每次查询，lucene会基于一个评分算法来计算所有文档和搜索语句的相关评分。
使用lucene的评分机制基本能够把最符合用户需要的搜索放在最前面。
当然有的时候，我们可能想要自定义评分算法，这个就和lucene的评分算法没有什么关系了。当然，我们大多数应该还是会根据自己的需求，来调整lucene本身的算法。
lucene的评分公式
lucene的评分是叫做TF/IDF算法，基本意思就是词频算法。
根据分词词库，所有的文档在建立索引的时候进行分词划分。进行搜索的时候，也对搜索的短语进行分词划分。
TF代表分词项在文档中出现的次数（term frequency），IDF代表分词项在多少个文档中出现（inverse document frequency）。
lucene的算法简单来说就是将搜索的短语进行分词得出分词项，每个分词项和每个索引中的文档根据TF/IDF进行词频出现的评分计算。
然后每个分词项的得分相加，就是这个搜索对应的文档得分。
这个评分公式有6个部分组成
- coord(q,d) 评分因子，基于文档中出现查询项的个数。越多的查询项在一个文档中，说明文档的匹配程度越高。
- queryNorm(q)查询的标准查询
- tf(t in d) 指项t在文档d中出现的次数frequency。具体值为次数的开根号。
- idf(t) 反转文档频率, 出现项t的文档数docFreq
- t.getBoost 查询时候查询项加权
- norm(t,d) 长度相关的加权因子
coord(q, d)
这个评分因子的计算公式是：
public float coord(int overlap, int maxOverlap) {
return overlap / (float)maxOverlap;
}
- overlap: 文档中命中检索的个数
- maxOverlap: 检索条件的个数
比如检索"english book"， 现在有一个文档是"this is an chinese book"。
那么，这个搜索对应这个文档的overlap为1（因为匹配了book），而maxOverlap为2（因为检索条件有两个book和english）。
最后得到的这个搜索对应这个文档的coord值为0.5。
queryNorm(q)
这个因素对所有文档都是一样的值，所以它不影响排序结果。比如如果我们希望所有文档的评分大一点，那么我们就需要设置这个值。
public float queryNorm(float sumOfSquaredWeights) {
return (float)(1.0 / Math.sqrt(sumOfSquaredWeights));
}
tf(t in d)
项t在文档d中出现的次数
public float tf(float freq) {
return (float)Math.sqrt(freq);
}
比如有个文档叫做"this is book about chinese book"， 我的搜索项为"book"，那么这个搜索项对应文档的freq就为2，那么tf值就为根号2，即1.4142135
idf
public float idf(long docFreq, long numDocs) {
return (float)(Math.log(numDocs/(double)(docFreq+1)) + 1.0);
}这里的两个值解释下
- docFreq 指的是项出现的文档数，就是有多少个文档符合这个搜索
- numDocs 指的是索引中有多少个文档。
我在用es实际看这里的时候遇到一个问题，numDocs数和实际的文档数不一致，最后弄明白了，这里的numDocs指的是分片的文档数据，而不是所有分片的文档数。
所以使用es分析这个公式的时候，最好将分片数设置为1。
比如我现在有三个文档，分别为:
- this book is about english
- this book is about chinese
- this book is about japan
我要搜索的词语是"chinese"，那么对第二篇文档来说，docFreq值就是1，因为只有一个文档符合这个搜索，而numDocs就是3。最后算出idf的值是:
(float)(Math.log(numDocs/(double)(docFreq+1)) + 1.0) = ln(3/(1+1)) + 1 = ln(1.5) + 1 = 0.40546510810816 + 1 = 1.40546510810816
t.getBoost
查询时期项t的加权，这个就是一个影响值，比如我希望匹配chinese的权重更高，就可以把它的boost设置为2
norm(t,d)
这个项是长度的加权因子，目的是为了将同样匹配的文档，比较短的放比较前面。
比如两个文档:
- chinese
- chinese book
我搜索chinese的时候，第一个文档会放比较前面。因为它更符合"完全匹配"。
norm(t,d) = doc.getBoost()· lengthNorm· ∏ f.getBoost()
public float lengthNorm(FieldInvertState state) {
final int numTerms;
if (discountOverlaps)
numTerms = state.getLength() - state.getNumOverlap();
else
numTerms = state.getLength();
return state.getBoost() * ((float) (1.0 / Math.sqrt(numTerms)));
}
这里的doc.getBoost表示文档的权重，f.getBoost表示字段的权重，如果这两个都设置为1，那么nor(t,d)就和lengthNorm一样的值。
比如我现在有一个文档:
- chinese book
搜索的词语为chinese， 那么numTerms为2，lengthNorm的值为 1/sqrt(2) = 0.71428571428571。
如果在建索引时对field进行了加权, 则lengthNorm或者说norm=Field.setbootst()的传入值*[1/sqrt(numterms)]
但是非常遗憾，如果你使用explain去查看es的时候，发现lengthNorm显示的只有0.625。
这个官方给出的原因是精度问题，norm在存储的时候会进行压缩，查询的时候进行解压，而这个解压是不可逆的，即decode(encode(0.714)) = 0.625。
示例
es中可以使用_explain接口进行评分解释查看。
比如现在我的文档为：
- chinese book
搜索词为：
{
"query": {
"match": {
"content": "chinese"
}
}
}explain得到的结果为：
{
"_index": "scoretest",
"_type": "test",
"_id": "2",
"matched": true,
"explanation": {
"value": 0.8784157,
"description": "weight(content:chinese in 1) [PerFieldSimilarity], result of:",
"details": [
{
"value": 0.8784157,
"description": "fieldWeight in 1, product of:",
"details": [
{
"value": 1,
"description": "tf(freq=1.0), with freq of:",
"details": [
{
"value": 1,
"description": "termFreq=1.0"
}
]
},
{
"value": 1.4054651,
"description": "idf(docFreq=1, maxDocs=3)"
},
{
"value": 0.625,
"description": "fieldNorm(doc=1)"
}
]
}
]
}
}看到这篇文档的总得分为 0.8784157
- tf(t in d): 1
- idf: ln(3/(1+1)) + 1 = 1.4054651
- norm(t,d): decode(encode(1/sqrt(2))) = 0.625
- 总分: 1.4054651 * 0.625 = 0.8784157
