对信息检索工具来说，查全率，查准率与结果排序是考核其性能的3大指标，前两者更多与分词匹配相关，而后者则与相关性的判断与打分相关（基于打分结果排序），本篇经验就分享一下ElasticSearch中搜索相关性及打分的相关原理和操作。
工具/原料
ElasticSearch,Kibana
方法/步骤
1、ElasticSearch5.0版本前相关骂宙逃慈性判断及打分使用的算法是TF-IDF，5.0版本以后使用的是BM25算法。TF-IDF:TermFrequency,惺绅寨瞀InverseDocumentFrequency即词频和逆文档频率，TF=词项在文档出现次数/该文档总字数，IDF=log(索引文档总数量/词项出现的文档数量)，简单来说，TF-IDF得分计算公式为：文档得分=TF(t)*IDF(t)*boost(t)*norm(t)t即查询串中每个词项，boost函数是ES提供的分数调整函数，norm函数根据文档长短返回一个值（文档短对应的值大）。BM25:整体而言就是对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针对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。图示，为索引指定自定义的相关性算法。
2、使用explain查看搜索相关性分数的计算过程图1示：构建索引并添加3条文档信息图2示：搜索时，指定explain参数，在返回结果中包含相关性分数的计算细节
3、默认相关性算分排序初体验还是上面的索引和文档数据，查询elasticsearch,返回结果中，文档2获取的分数高于文档1（图示，文档2排在文档1前面），从上述公式中可以发现，导致这种算分差异就在于文档2的长度短于文档1。
4、通过boostingquery嵌套搜索修改内层搜殇矬岭柳索结果的相关性得分先看一下boostingquery嵌套搜索的语法：GET惺绅寨瞀/myindex/_search{"query":{"boosting":{"positive":{嵌套子查询},"negative":{嵌套子查询},"negative_boost":调整权重}}}boosting嵌套查询以positive下的子查询来获取返回结果，negative中的子查询对上述结果的相关性打分进行调整，通过negative_boost参数指定的值：升权(>1),降权(>0and<1),减分(<0)
5、通过boostingquery嵌套term查询，降权处理相关性得分图1示，boostingquery中的positive下的term子查询获取包含词项elasticsearch的文档并给出相关性得分，negative下的term子查询对包含词项use的文档的得分进行降权调整（降权参数为0.2）图2示，查询结果，相比未进行调整，文档1的相关性得分高于文档2的得分
6、通过boostingquery嵌套match查询，升权相关性得分图示，boostingquery中的positive下的match子查询获取包含词项elasticsearch或者good的文档并给出相关性得分，negative下的match子查询对包含词项use的文档的得分进行升权调整（升权参数为2.5），查询结果中，文档2的相关性得分高于文档1的得分
