文章目錄

• • 1.bool查詢
  • • 1.1. 使用樣例
    • 1.2. filter的使用
  • 2. boost query
  • 3. constant score query
  • 4. disjunction max query
  • 5. function score
  • • 5.1. score_mode boost_mode的含義
    • 5.2. function的類型
    • • 1.script_score
      • 2.weight
      • 3.random_score
      • 4.field_value_factor
      • 5.decay functions: gauss, linear, exp
      • 6. 衰減函數(shù)支持

1.bool查詢

這個是用來組合查詢使用，可以使用下面4個條件

must
子句（查詢）必須出現(xiàn)在匹配的文檔中，并將有助于得分。

filter
子句（查詢）必須出現(xiàn)在匹配的文檔中。但是，與查詢分?jǐn)?shù)不同的是，忽略該分?jǐn)?shù)。 Filter子句在過濾器上下文中執(zhí)行，這意味著計(jì)分被忽略，并且子句被考慮用于緩存。

should
子句（查詢）應(yīng)出現(xiàn)在匹配的文檔中。

must_not
子句（查詢）不得出現(xiàn)在匹配的文檔中。子句在過filter context 中執(zhí)行，這意味著計(jì)分被忽略，并且子句被視為用于緩存。由于計(jì)分被忽略，因此所有文檔的分?jǐn)?shù)均返回0。

這個地方的minimum_should_match需要注意，他會對should起作用，但是默認(rèn)值受整個bool查詢中的must,filter影響，如果你沒有明確指定minimum_should_match那么：

當(dāng)bool查詢中只有should查詢的話，則minimum_should_match的值是1

如果還有must,filter查詢的話，則minimum_should_match的值為0，

這個地方像是一個坑，所以一定要注意，在should和mustorfilter一起使用的話，盡量明確設(shè)置minimum_should_match，否則返回的結(jié)果可能并沒有命中should中的任何一個條件。

bool查詢的score計(jì)算方式是 must和should查詢的score的和

1.1. 使用樣例

POST _search {"query": {"bool" : {"must" : {"term" : { "user" : "kimchy" }},"filter": {"term" : { "tag" : "tech" }},"must_not" : {"range" : {"age" : { "gte" : 10, "lte" : 20 }}},"should" : [{ "term" : { "tag" : "wow" } },{ "term" : { "tag" : "elasticsearch" } }],"minimum_should_match" : 1,"boost" : 1.0}} }

1.2. filter的使用

GET _search {"query": {"bool": {"filter": {"term": {"status": "active"}}}} }GET _search {"query": {"bool": {"must": {"match_all": {}},"filter": {"term": {"status": "active"}}}} }GET _search {"query": {"constant_score": {"filter": {"term": {"status": "active"}}}} }

2. boost query

返回匹配肯定查詢的文檔，同時降低也匹配否定查詢的文檔的相關(guān)性得分。

您可以使用增強(qiáng)查詢來降級某些文檔，而不必將它們從搜索結(jié)果中排除。

GET /_search {"query": {"boosting" : {"positive" : {"term" : {"text" : "apple"}},"negative" : {"term" : {"text" : "pie tart fruit crumble tree"}},"negative_boost" : 0.5}} }

positive:（必填）要運(yùn)行的查詢。返回的所有文檔都必須與此查詢匹配。

negative:（必填）查詢用于降低匹配文檔的相關(guān)性得分。
如果返回的文檔與肯定查詢和該negative查詢匹配，文檔的最終相關(guān)性得分按照如下所示規(guī)則進(jìn)行計(jì)算：

從positive查詢中獲取原始的相關(guān)性分?jǐn)?shù)。

將分?jǐn)?shù)乘以negative_boost值。

negative_boost:（必需，浮點(diǎn)數(shù)）0到1.0之間的浮點(diǎn)數(shù)，用于降低與否定查詢匹配的文檔的相關(guān)性得分。

3. constant score query

這個查詢一般包裹了一個filter context query，然后賦予每個文檔一個固定的相關(guān)性得分

GET /_search {"query": {"constant_score" : {"filter" : {"term" : { "user" : "kimchy"}},"boost" : 1.2}} }

4. disjunction max query

可以翻譯為最相似最重要查詢

返回與一個或多個包裝查詢（稱為查詢子句或子句）匹配的文檔。

如果返回的文檔與多個查詢子句匹配，則dis_max查詢?yōu)樵撐臋n計(jì)算的相關(guān)性得分=max(來自任何匹配子句的最高相關(guān)性得分)+tie*其他匹配的子查詢得分。

您可以使用dis_max在用不同提升因子映射的字段中搜索術(shù)語。

樣例

GET /_search {"query": {"dis_max" : {"queries" : [{ "term" : { "title" : "Quick pets" }},{ "term" : { "body" : "Quick pets" }}],"tie_breaker" : 0.7}} }

query

（必需的查詢對象數(shù)組）包含一個或多個查詢子句。返回的文檔必須與這些查詢中的一個或多個匹配。如果一個文檔匹配多個查詢，Elasticsearch將使用最高的相關(guān)性得分。

tie_breaker

（可選，float）0到1.0之間的浮點(diǎn)數(shù)，用于增加與多個查詢子句匹配的文檔的相關(guān)性得分。默認(rèn)為0.0。
您可以使用tie_breaker值為多個字段中包含相同術(shù)語的文檔分配比僅在多個字段中最好的包含該術(shù)語的文檔更高的相關(guān)性分?jǐn)?shù)，而不必將其與多個中兩個不同術(shù)語的更好的情況混淆領(lǐng)域。

如果文檔與多個子句匹配，則dis_max查詢將計(jì)算該文檔的相關(guān)性得分，如下所示：

從具有最高分?jǐn)?shù)的匹配子句中獲取相關(guān)性分?jǐn)?shù)。

將來自其他任何匹配子句的得分乘以tie_breaker值。

將最高分?jǐn)?shù)加到相乘的分?jǐn)?shù)上。

如果tie_breaker值大于0.0，則所有匹配子句都計(jì)數(shù)，但是得分最高的子句計(jì)數(shù)最多。

5. function score

function_score允許您修改查詢檢索的文檔分?jǐn)?shù)。例如，如果分?jǐn)?shù)函數(shù)在計(jì)算上很昂貴，并且在過濾后的文檔集上計(jì)算分?jǐn)?shù)也足夠使用了，則此功能很有用。

要使用function_score，用戶必須定義一個查詢和一個或多個函數(shù)，這些函數(shù)為查詢返回的每個文檔計(jì)算一個新分?jǐn)?shù)。

function_score只能與以下一個函數(shù)一起使用：

GET /_search {"query": {"function_score": {"query": { "match_all": {} },"boost": "5", # 針對整個query的boost乘數(shù)"random_score": {}, # 這個random_score就是預(yù)定義的一個function,es有幾個預(yù)定義的function，后面會講到"boost_mode":"multiply"}} }

同時，還可以組合多個function 或者是對一些特殊的doc進(jìn)行function score的計(jì)算

GET /_search {"query": {"function_score": {"query": { "match_all": {} },"boost": "5", "functions": [{"filter": { "match": { "test": "bar" } },"random_score": {}, "weight": 23},{"filter": { "match": { "test": "cat" } },"weight": 42}],"max_boost": 42,"score_mode": "max","boost_mode": "multiply","min_score" : 42}} }

上面的這些看不懂不要緊，后面會逐一解釋。

首先，通過定義的function對每個文檔評分。參數(shù)score_mode指定如何組合計(jì)算出的分?jǐn)?shù)：

5.1. score_mode boost_mode的含義

score_mode 和 boost_mode 含義一致，但是起作用的地方不一致，score_mode針對的是多個function計(jì)算出來的score如何最終計(jì)算出來這些function對應(yīng)的score,
boost_mode 針對的是如何將上一步計(jì)算的function計(jì)算的score和query查詢得到的score合并得到最終的query score

multiply: 多個score相乘

sum: 相加

avg: 求平均

first: 第一個function計(jì)算出來的score

max: 最大值

min: 最小值

??因?yàn)閟core 可以在不同的范圍上（例如，衰減函數(shù)的分?jǐn)?shù)在0到1之間，而field_value_factor則是任意的），并且由于有時希望函數(shù)對分?jǐn)?shù)有不同的影響，因此每個函數(shù)的分?jǐn)?shù)都可以由用戶定義weight。weight可以在函數(shù)數(shù)組（上面的示例）中為每個函數(shù)定義，并乘以各個函數(shù)計(jì)算出的分?jǐn)?shù)。如果給定weight而沒有任何其他函數(shù)聲明，則weight充當(dāng)僅返回weight的函數(shù)。

如果將score_mode設(shè)置為avg，則各個分?jǐn)?shù)將由加權(quán)平均值合并。例如，如果兩個function返回分?jǐn)?shù)1和2，并且它們各自的weight分別為3和4，則它們的分?jǐn)?shù)將合并為（1 * 3 + 2 * 4）/（3 + 4）而不是（1 * 3 + 2 * 4）/ 2。

通過設(shè)置max_boost參數(shù)，可以將新score限制為不超過特定限制。 max_boost的默認(rèn)值為FLT_MAX。

新計(jì)算的分?jǐn)?shù)與query score 合并。參數(shù)boost_mode定義如何合并：

multiply: query score and function score 相乘 multiplied (default),這個是默認(rèn)設(shè)置

replace: 只使用function計(jì)算出來的score

sum: query score and function score are 相加 added

avg: average

max: max of query score and function score

min: min of query score and function score

5.2. function的類型

script_score
weight
random_score
field_value_factor
decay functions: gauss, linear, exp

1.script_score

script_score函數(shù)允許您包裝另一個查詢，并可以選擇使用腳本表達(dá)式從文檔中其他數(shù)字字段值派生的計(jì)算來自定義另一個查詢的評分。這是一個簡單的示例：

GET /_search {"query": {"function_score": {"query": {"match": { "message": "elasticsearch" }},"script_score" : {"script" : {"source": "Math.log(2 + doc['likes'].value)"}}}} }

在不同的腳本字段值和表達(dá)式之上，_score腳本參數(shù)可用于基于包裝的查詢來檢索分?jǐn)?shù)。

腳本編譯被緩存以加快執(zhí)行速度。如果腳本具有需要考慮的參數(shù)，則最好重用相同的腳本并為其提供參數(shù)：

GET /_search {"query": {"function_score": {"query": {"match": { "message": "elasticsearch" }},"script_score" : {"script" : {"params": {"a": 5,"b": 1.2},"source": "params.a / Math.pow(params.b, doc['likes'].value)"}}}} }

請注意，與custom_score查詢不同，query的分?jǐn)?shù)將與script評分的結(jié)果相乘。如果希望禁止這種情況，請?jiān)O(shè)置“ boost_mode”：“ replace”

2.weight

weight分?jǐn)?shù)使您可以將分?jǐn)?shù)乘以提供的weight。有時可能需要這樣做，因?yàn)樵谔囟ú樵兩显O(shè)置的boost值會被標(biāo)準(zhǔn)化，而對于此得分函數(shù)則不會。數(shù)字值是float類型。

3.random_score

random_score生成的分?jǐn)?shù)從0到1一直均勻分布，但不包括1。默認(rèn)情況下，它使用內(nèi)部Lucene doc id作為隨機(jī)性的來源，這非常有效，但不幸的是不可復(fù)現(xiàn)，因?yàn)槲臋n可能會通過合并重新編號。

如果您希望分?jǐn)?shù)是可復(fù)現(xiàn)的，則可以提供seed和field。然后將基于該seed，所考慮文檔的字段的最小值以及根據(jù)索引名稱和分片ID計(jì)算的salt來計(jì)算最終分?jǐn)?shù)，以便獲得具有相同值但存儲在不同索引中的文檔不同的分?jǐn)?shù)。請注意，位于相同分片中且具有相同字段值的文檔將獲得相同的分?jǐn)?shù)，因此通常希望使用對所有文檔都具有唯一值的字段。最好的默認(rèn)選擇是使用_seq_no字段，其唯一的缺點(diǎn)是，如果更新文檔，則分?jǐn)?shù)會改變，因?yàn)楦虏僮饕矔耞seq_no字段的值。

可以在不設(shè)置字段的情況下設(shè)置種子，但這已被棄用，因?yàn)檫@需要在_id字段上加載字段數(shù)據(jù)，這會占用大量內(nèi)存。

GET /_search {"query": {"function_score": {"random_score": {"seed": 10,"field": "_seq_no"}}} }

4.field_value_factor

使用field_value_factor函數(shù)可以使用文檔中的字段來影響得分。與使用script_score函數(shù)類似，但是它避免了腳本編寫的開銷。如果用于多值字段，則在計(jì)算中僅使用該字段的第一個值。

例如，假設(shè)您有一個用數(shù)字likes字段索引的文檔，并希望通過該字段影響文檔的分?jǐn)?shù)，那么這樣做的示例如下所示：

GET /_search {"query": {"function_score": {"field_value_factor": {"field": "likes","factor": 1.2,"modifier": "sqrt","missing": 1}}} }

上面的查詢，對應(yīng)的score會這樣計(jì)算score= sqrt(1.2 * doc[‘likes’].value)

field: 計(jì)算score使用的field
factor: 乘以field.value使用的系數(shù)，默認(rèn)是1
modifier: 計(jì)算方式score的方式
missing: 沒有這個field的doc如何打分,這個是默認(rèn)將field.value替換為missing

modifier可以有以下幾種

none: 不會對字段值應(yīng)用任何運(yùn)算

log: 取字段值的常用對數(shù)以10為底的對數(shù)。因?yàn)榇撕瘮?shù)可能返回負(fù)值(0到1之間的值)，則會導(dǎo)致錯誤，因此建議改用log1p。

log1p: 將1加至field.value值并取對數(shù)

log2p: 在字段值上加2并取公共對數(shù)

ln: 取字段值的自然對數(shù)。因?yàn)榇撕瘮?shù)將返回負(fù)值(0到1之間的值),會引起錯誤，所以建議改用ln1p。

ln1p: 將1加到欄位值并取自然對數(shù)

ln2p: 將2加到欄位值并取自然對數(shù)

square: 對字段值求平方（乘以它本身）

sqrt: 取字段值的平方根

reciprocal: 倒數(shù)，交換字段值，與1 / x相同，其中x是字段的值

5.decay functions: gauss, linear, exp

衰減函數(shù)
衰減函數(shù)對文檔進(jìn)行評分，該函數(shù)的衰減取決于文檔的數(shù)字字段值與用戶給定原點(diǎn)的距離。這類似于范圍查詢，但具有平滑的邊緣而不是框。
要對具有數(shù)字字段的查詢使用距離評分，用戶必須為每個字段定義一個原點(diǎn)和一個小數(shù)位數(shù)。需要原點(diǎn)來定義從中計(jì)算距離的“中心點(diǎn)”，并需要標(biāo)度來定義衰減率。衰減函數(shù)指定為

"linear": { "FIELD_NAME": { "origin": "11, 12","scale": "2km","offset": "0km","decay": 0.33} }

在上面的示例中，該字段是geo_point類型，并且可以以geo格式提供起點(diǎn)。在這種情況下，必須使用單位指定比例和偏移。如果您的字段是日期字段，則可以將比例和偏移量設(shè)置為天，周等。例：

一個完整的樣例

GET /_search {"query": {"function_score": {"gauss": {"date": {"origin": "2013-09-17", "scale": "10d","offset": "5d", "decay" : 0.5 }}}} }

參數(shù)解析

origin: 用于計(jì)算距離的原點(diǎn)。對于數(shù)字字段，參數(shù)必須為數(shù)字；對于日期字段，參數(shù)必須為日期；對于地理字段，必須指定為地理點(diǎn)。地理位置和數(shù)字字段必填。對于日期字段，默認(rèn)值為現(xiàn)在。支持日期數(shù)學(xué)（例如now-1h）作為源。

scale: 所有類型均必需。定義到原點(diǎn)的距離+偏移，計(jì)算出的分?jǐn)?shù)將等于衰減參數(shù)。對于地理字段：可以定義為數(shù)字+單位（1km，12m，…）。默認(rèn)單位是米。對于日期字段：可以定義為數(shù)字+單位（“ 1h”，“ 10d”，…。）。默認(rèn)單位是毫秒。對于數(shù)字字段：任何數(shù)字。這個字段主要是配合decay使用，表示距離origin為scale的doc的衰減后的score應(yīng)該為正常的decay定義的數(shù)值

offset:
如果定義了偏移量，則衰減函數(shù)將僅計(jì)算距離大于所定義偏移量的文檔的衰減函數(shù)。默認(rèn)值為0。這個就是說距離origin在offset范圍內(nèi)的值不進(jìn)行衰減

decay
衰減參數(shù)定義了如何結(jié)合scale在距離上對文檔進(jìn)行評分。如果未定義decay，則距離為scale的文檔將獲得0.5分。

在第一個示例中，您的文檔可能代表酒店，并且包含地理位置字段。您要根據(jù)酒店距指定位置的距離來計(jì)算衰減函數(shù)。您可能不會立即看到為高斯功能選擇哪種比例，但是您可以說：“在距所需位置2公里的距離處，分?jǐn)?shù)應(yīng)降低到三分之一。”然后將自動調(diào)整參數(shù)“規(guī)模”，以確保得分函數(shù)為距所需位置2公里的酒店計(jì)算出0.33的得分。

在第二個示例中，字段值在2013-09-12和2013-09-22之間的文檔的權(quán)重為1.0，從origin日期起15天的文檔的權(quán)重為0.5。

6. 衰減函數(shù)支持

這個有很多圖片，參考這里
https://www.elastic.co/guide/en/elasticsearch/reference/7.2/query-dsl-function-score-query.html#_supported_decay_functions

高斯衰減，線性衰減，exp衰減

總結(jié)

以上是生活随笔為你收集整理的02.组合查询的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。