es搜索模型例子

ES文本搜索有两个概念
文本召回率
文本准确率
对于用户的搜索我们要尽量保证高的召回率,然后再保证准确率以防止一些结果查询遗漏，但是准确率低的可以通过es的搜索模型打分让其靠后。


#使用function score解决排序模型
GET /shop/_search
{
    "_source": "*",    #显示出所有字段
    "script_fields": {  #查询出对应坐标的距离
      "distance":{
        "script":{
          "source":"haversin(lat,lon,doc['location'].lat,doc['location'].lon)",
          "lang":"expression",
          "params":{"lat":31.23916171,"lon":121.48789949}
        
      }
    }
  },
  "query": {
    "function_score": {
      "query": {
        "bool": {
        "must": [
        {"match": {"name": {"query": "凯悦","boost": 0.1}}},  #boost 0.1也就是这部分的被降权到0.1,也就是文本搜索召回结果，不会特别影响打分
        {"term": {"seller_disabled_flag": 0}}
      ]}},
      "functions": [   #利用高斯方法控制相关性,涉及打分
        {
          "gauss": {
            "location": {
              "origin": "31.23916171,121.48789949",
              "scale": "100km",  #100KM为距离的函数拐点,一旦超过这个点打分就会加速下降
              "offset": "0km",  #最高点的左右距离为0,也就是只有最高点才为1分
              "decay": 0.5  #拐点处为0.5分
            }
          },
          "weight": 9  #距离占据总分数的权重为9
        },
        {
          "field_value_factor": {
            "field": "remark_score"
          },
          "weight": 0.2   #评论字段的打分权重为0.2
        },
        {
          "field_value_factor": {
            "field": "seller_remark_score"
          },
          "weight": 0.1 #商店备注字段打分的权重为0.1
        }
      ],
      "score_mode": "sum",  #距离,评论字段,商店备注的打分之间的关系为相加（也可以改为相乘,但是放大的会比较大,在相关性计算放的太大不是很好,因为还需要和别的字段打分进行计算,太大会加重这部分权重）
      "boost_mode": "replace"  #标题,也就是查询部分的权重,replace也就是不计算入内,这部分对查询结果的打分不影响,只做索引查询
    }
  }
  , "sort": [  #结果的排序方式
    {
      "_score": {
        "order": "desc"
      }
    }
  ]
  
  
}
这是高斯函数图，有对应参数的控制属性可以作为参考理解