一、文档打分机制
当你通过关键字搜索相关文档时，可能会出现多个文档，这些文档的顺序是通过一个max_score属性的大小从高到低顺序展现出来的，max_score属性就是我们所说的评分。而这个评分是通过一个文档打分机制计算出来的。
二、打分原理
一、总公式
max_score = boost * idf * tf
其中，查询权重可以自己定义。
二、IDF与TF的计算
可以使用
GET /index/_search?explain=true
{
"query": {
"match": {
"text（这个是查询字段）": "hello"（这个是词条）
}
}
}
一、计算TF （词频）
Term Frequency : 搜索文本中的各个词条（term）在查询文本中出现了多少次， 出现次数越多，就越相关，得分会比较高
TF = freq / ( freq + k1 * ( 1 - b + b * dl / avgdl ))
freq：搜索的关键词在文档中出现的次数。
avgdl = fields / documents:
fields : 查询出来的所有文档的分解字段数量
documents：查询文档数量
dl：搜索的关键词再当前文档中分解的长度
二、 计算IDF(逆文档频率)
Inverse Document Frequency : 搜索文本中的各个词条（term）在整个索引的所有文档中 出现了多少次，出现的次数越多，说明越不重要，也就越不相关，得分就比较低。
log ( 1 + ( N - n + 0.5) / ( n + 0.5 ))N：这个只是查询字段
n：文档中词条，也即查询的关键词的数量
注：这里的 log 是底数为 e 的对数
三、查询权重
我们可以通过控制查询权重来控制文档结果展现的顺序性。
GET /testscore/_search?explain=true{
"query": {
"bool": {
"should": [{
"match": {
"title": {
"query": "Hadoop",
"boost": 1
}
}
},
{
"match": {
"title": {
"query": "Hive",
"boost": 1
}
}
},
{
"match": {
"title": {
"query": "Spark",
"boost": 2 // 通过查询权重来控制结果的顺序性
}
}
}
]
}
}
}
结果：
