elasticsearch中best fields策略dis_max和tie

参考：elasticsearch中best fields策略dis_max和tie_breaker详解

概念

常规multi-field搜索结果分析
dis_max参数设置

一、为帖子数据增加content字段

POST /forum/article/_bulk
{ "update": { "_id": "1"} }
{ "doc" : {"content" : "i like to write best elasticsearch article"} }
{ "update": { "_id": "2"} }
{ "doc" : {"content" : "i think java is the best programming language"} }
{ "update": { "_id": "3"} }
{ "doc" : {"content" : "i am only an elasticsearch beginner"} }
{ "update": { "_id": "4"} }
{ "doc" : {"content" : "elasticsearch and hadoop are all very good solution, i am a beginner"} }
{ "update": { "_id": "5"} }
{ "doc" : {"content" : "spark is best big data solution based on scala ,an programming language similar to java"} }

二、多字段搜索（multi-field搜索）

1、搜索title或content中包含java或solution的帖子

GET /forum/article/_search
{"query": {"bool": {"should": [{ "match": { "title": "java solution" }},{ "match": { "content":  "java solution" }}]}}
}

2、结果分析

期望的排在第一位是doc5，结果是doc2,doc4排在了前面。原因如下：

计算每个document的relevance score的方式是：每个query的分数，乘以matched query数量，除以总query数量

算一下doc4的分数

{ "match": { "title": "java solution" }}，针对doc4，是有一个分数的，假设是1.1

{ "match": { "content": "java solution" }}，针对doc4，也是有一个分数的，假设是1.2

所以是两个分数加起来是2.3，matched query数量 = 2，总query数量 = 2，计算的分数就是2.3 * 2 / 2 = 2.3

算一下doc5的分数

{ "match": { "title": "java solution" }}，针对doc5，是没有分数的

{ "match": { "content": "java solution" }}，针对doc5，是有一个分数，假设是2.3

matched query数量 = 1，总query数量 = 2，计算的分数就是2.3 * 1 / 2 = 1.15

通过计算发现：doc4两个field匹配到一个关键词，分数反而高，doc5一个field匹配到两个关键词，分数反而低了，这样不符合我们的预期。

三、best fields策略（dis_max参数设置）

best fields策略，就是说，搜索到的结果中，如果某一个field中匹配到了尽可能多的关键词，那么就应被排在前面；而不是尽可能多的field匹配到了少数的关键词排在前面。

dis_max语法，直接取多个query中，分数最高的那一个query的分数即可。

{ "match": { "title": "java solution" }}，针对doc4，是有一个分数的，1.1

{ "match": { "content": "java solution" }}，针对doc4，也是有一个分数的，1.2

取最大分数，1.2

{ "match": { "title": "java solution" }}，针对doc5，是没有分数的

{ "match": { "content": "java solution" }}，针对doc5，是有一个分数的，2.3

取最大分数，2.3

所以doc5就可以排在更前面的地方，符合我们的需要。

语法：

GET /forum/article/_search
{"query": {"dis_max": {"queries": [{ "match": { "title": "java solution" }},{ "match": { "content":  "java solution" }}]}}
}

另一种写法：结果是一样的。

GET /forum/article/_search
{"query": {"dis_max": {"tie_breaker": 0.7,"boost": 1.2,"queries": [{"bool": {"should": [{"match": {"title": "java solution"}},{"match": {"content": "java solution"}}]}}]}}

tie_breaker的使用原因

dis_max，只是取分数最高的那个query的分数而已，完全不考虑其他query的分数，这种一刀切的做法，可能导致在有其他query的影响下，score不准确的情况，这时为了使用结果更准确，最好还是要考虑到其他query的影响，使用tie_breaker将其他query的分数也考虑进去

tie_breaker参数的意义，将其他query的分数乘以tie_breaker，然后综合考虑后与最高分数的那个query的分数综合在一起进行计算，这样做除了取最高分以外，还会考虑其他的query的分数。tie_breaker的值，设置在在0~1之间，是个小数就行，没有固定的值