Elasticsearch-相关性

news2024/10/1 9:53:49

相关性描述的是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果进⾏算分_score。_score 的评分越高，相关度越高。

ES 5.0之前使用TF-IDF 相关性算法， 5.0之后使用了BM25算法

TF-IDF

公式

score(q,d) = queryNorm(q)

· coord(q,d)
· ∑ (

t.getBoost()

.tf(t in d)
· idf(t)
· norm(t,d)
) (t in q)

score(q,d) 文档d对查询q的相关性得分
queryNorm(q) 查询的规范化因子
coord(q,d) 协调因子
∑ 文档d的查询q中每个词t的权重之和
tf(t in d) 文档d中t词的词频(出现次数)
idf(t) t词的逆文档频率
t.getBoost() 已应用于查询的boost
norm(t,d) 是字段长度归一值，与检索时字段的Boost （如果存在）相结合。

BM25

整体而言 BM25 就是对 TF-IDF 算法的改进，对于 TF-IDF 算法，TF(t) 部分的值越大，整个公式返回的值就会越大。BM25 就针对这点进行来优化，随着TF(t) 的逐步加大，该算法的返回值会趋于一个数值。如下图所示：

公式

该公式前半部分是IDF，后半部分是TF + NORM

IDF(qi,D)：查询项的逆文档频率
N：索引中的文档总数
n(qi) : 索引字段中包含查询项的文档数量
f(qi,D): 查询项在文档D中出现的频次
k1: 这个参数控制着词频结果在词频饱和度中的上升速度。默认值为1.2。值越小饱和度变化越快，值越大饱和度变化越慢
b: 这个参数控制着字段长归一值所起的作用，0.0会禁用归一化，1.0会启用完全归一化。默认值为0.75
|D|: 代表文档的长度，
avgdl: 代表索引中平均字段长度

explain

PUT /blogs_index
{
  "settings": {
    "index": {
      "number_of_shards": 1,
      "number_of_replicas": 0
    }
  },
  "mappings": {
      "dynamic": false,
      "properties": {
        "title": {
          "type": "text",
          "analyzer": "ik_smart"
        },
        "content": {
          "type": "text",
          "analyzer": "ik_max_word",
          "search_analyzer": "ik_smart"
        }
      }
  }
}


POST /blogs_index/_bulk
{"index":{"_id":"1"}}
{"title":"es的相关度","content":"这是关于es的相关度的文章"}
{"index":{"_id":"2"}}
{"title":"相关度","content":"这是关于相关度的文章"}
{"index":{"_id":"3"}}
{"title":"es","content":"这是关于关于es和编程的必看文章"}
{"index":{"_id":"4"}}
{"title":"关注我，系统学习es","content":"这是关于es的文章，介绍了一点相关度的知识"}


GET /blogs_index/_analyze
{
  "text": ["es的相关度"],
  "field": "title"
}

{
  "tokens" : [
    {
      "token" : "es",
      "start_offset" : 0,
      "end_offset" : 2,
      "type" : "ENGLISH",
      "position" : 0
    },
    {
      "token" : "的",
      "start_offset" : 2,
      "end_offset" : 3,
      "type" : "CN_CHAR",
      "position" : 1
    },
    {
      "token" : "相关",
      "start_offset" : 3,
      "end_offset" : 5,
      "type" : "CN_WORD",
      "position" : 2
    },
    {
      "token" : "度",
      "start_offset" : 5,
      "end_offset" : 6,
      "type" : "CN_CHAR",
      "position" : 3
    }
  ]
}


GET /blogs_index/_search
{
  "query": {
    "match": {
      "title": "es的相关度"
    }
  },
  "explain": true
}

文档总分

查询结果中文档一得分2.5933092是有四个分词es，的，相关，度的分数相加所得

2.5933092 = 0.31387398 + 1.0594962 + 0.60996956 + 0.60996956

单个词得分

词es在分档1中的得分是0.31387398，如图描述是由boost * idf * tf 所得

0.31387398 = 2.2 * 0.35667494 * 0.40000004

单个词idf得分

词es在分档1中的idf得分0.35667494

0.35667494 = In(1 + (4 - 3 + 0.5) / (3 + 0.5)) = In (1 + 3/7) = In(10/7)

单个词tf得分

词es在分档1中的tf得分0.40000004， dl是文档1中title的分词数4， avgdl是整个索引title的平均分词数

0.40000004 = 1 / （1 + 1.2 *（1 - 0.75 + 0.75 * 4 / 3））= 1 / 2.5

更改BM25 参数 k1 和 b 的值

在介绍BM25算法时，我们知道 k1 参数【默认值1.2】控制着词频结果在词频饱和度中的上升速度。b 参数【默认值0.75】控制着字段长归一值所起的作用。

那么我们就可以通过手动定义这两个参数的值，从而去改变相关性算分。

只能在创建index的时候定义字段的similarity ，在后续，可以通过关闭索引，更新索引设置，开启索引这个过程进行更新 my_bm25 的参数值。这样可以无须重建索引又能试验不同的相似度算法配置。

PUT /blogs_index
{
  "settings": {
    "similarity": {
      "my_bm25": {
        "type": "BM25",
        "b": 0.8,
        "k1": 1.5
      }
    }
  },
  "mappings": {
      "dynamic": false,
      "properties": {
        "title": {
          "type": "text",
          "analyzer": "ik_smart",
          "similarity": "my_bm25"
        },
        "content": {
          "type": "text",
          "analyzer": "ik_max_word",
          "search_analyzer": "ik_smart"
        }
      }
  }
}

参考文献