笔记十九：搜索的相关性算分
0 / 3 / 创建于 5年前 /
CrazyZard 的个人博客
相关性和相关性算分#
- 相关性 - Relevance
- 搜索的相关性算分，描述了一个文档和查询语句匹配的程度。ES 会对每个匹配查询条件的结构进行算分
_score - 打分的本质是排序 , 需要把最符合用户需求的文档排在前面。ES 5 之前，默认的相关性打分采用 TF-IDF，现在采用 BM25
- 搜索的相关性算分，描述了一个文档和查询语句匹配的程度。ES 会对每个匹配查询条件的结构进行算分
词频 TF#
- Term Frequency ：检查词在一篇文档里出现的频率
- 检查词出现的次数除以文档的总字数
- 度量一条查询和结果文档县管辖的建档方法：简单讲搜索每一个词的 TF 进行相加
- TF（区块链） + TF（的）+ TF（应用）
- Stop Word
- “的” 在文档中出现了很多次，但是对贡献相关度几乎没有用处，不应该考虑他们的 TF
逆文档频率 IDF#
- DF：检索词在所有文档中出现的频率
- “区块链” 在相对比较少的文档中出现
- “应用” 在相对比较多的文档中出现
- “Stop Word” 在大量的文档中出现
- Inverse Document Frequency ：简单说 = log（全部文档书 / 检索词出现过的文档总数）
- TF-IDF 本质上就是将 TF 求和变成了加权求和
- TF（区块链）* IDF（区块链） + TF（的）* IDF（的）+ TF（应用）* IDF（应用）
TF-IDF 的概念#
- TF-IDF 被公认为是信息检索领域最重要的发明
- 除了在信息检索，再文献分类和其他相关领域有着非常广泛的应用
- IDF 的概念，最早是剑桥大学的 “斯巴达。琼斯” 提出
- 1972 年 ——“关键词特殊性的统计解释和它在文献检索中的应用”
- 但是没有从理论上件事 IDF 应该是用 log（全部文档书 / 检索词出现过的文档总数），而不是其他函数。也没有做进一步的研究
- 1970,1980 年代萨尔顿和罗宾逊，进行了进一步的证明和研究，并用香农信息做了证明
- 现代搜索引擎，对 TF-IDF 进行了大量细微的优化
Lucene 中的 TF-IDF 评分公式#
BM25#
定制 Similarity#
通过 Explain API 查看 TF-IDF#
demo#
PUT testscore/_bulk
{"index":{"_id":1}}
{"content":"we use Elasticsearch to power the search"}
{"index":{"_id":2}}
{"content":"we like elasticsearch"}
{"index":{"_id":3}}
{"content":"The scoring of documents is caculated by the scoring formula"}
{"index":{"_id":4}}
{"content":"you know, for search"}
//查询
POST /testscore/_search
{
"explain": true,
"query": {
"match": {
// "content":"you"
"content": "elasticsearch"
//"content":"the"
//"content": "the elasticsearch"
}
}
}Boosting Relevance#
- Boosting 是控制相关度的一种手段
- 索引，字段或查询子条件
- 参数 boost 的含义
- 当 boost > 1 时，打分的相关度相对性提高
- 当 0 < boost < 1 时，打分的权重相对性降低
- 当 boost < 0 时，贡献度负分
POST testscore/_search
{
"query": {
"boosting" : {
"positive" : {
"term" : {
"content" : "elasticsearch"
}
},
"negative" : {
"term" : {
"content" : "like"
}
},
"negative_boost" : 0.2
}
}
}本作品采用《CC 协议》，转载必须注明作者和本文链接
关于 LearnKu
粤公网安备 44030502004330号
推荐文章：