ElasticStack系列之十二 & 搜索结果研究

问题

　　使用 ElasticSearch 做搜索 时，比如用户输入 --> 柠檬，搜出来的结果 --> 柠檬汽水，柠檬味牙膏等在前面，真正想要的水果那个 柠檬 在后面。已经在中文分词中加了 柠檬，还是不管用，正常来说 tf、idf 都一样，影响排序的只有 field norms。按道理 “柠檬” 的 field length 最短，那么得分应该最高才对，为什么它没有排在第一位呢？

　　我这里补充一下：ElasticSearch5.x 以后使用的相关度算法为 BM25，但他仍然是一种相关性算法，只是对 TF/IDF 的改进。 用 BM25 还是 TF/IDF 和本问题的根源没有关系。

验证

　　为了验证这个结果，我实际测试了一下，过程如下：

　　创建一个空索引，使用 ik_max_word 分词器并写入 3 条数据

PUT testindex/
{
  "mappings": {
    "logs": {
      "properties": {
        "product": {
          "type": "text",
          "analyzer": "ik_max_word"
        }
      }
    }
  }
}

PUT testindex/logs/
{"product":"柠檬"}

PUT testindex/logs/
{"product":"柠檬汽水"}

PUT testindex/logs/
{"product":"柠檬味牙膏"}

　　查询关键词"柠檬"

POST testindex/_search
{
  "query": {
    "match": {
      "product": "柠檬"
    }
  }
}

　　查询结果:

"hits": {
    "total": ,
    "max_score": 0.85747814,
    "hits": [
      {
        "_index": "testindex",
        "_type": "logs",
        "_id": "",
        "_score": 0.85747814,
        "_source": {
          "product": "柠檬味牙膏"
        }
      },
      {
        "_index": "testindex",
        "_type": "logs",
        "_id": "",
        "_score": 0.80226827,
        "_source": {
          "product": "柠檬汽水"
        }
      },
      {
        "_index": "testindex",
        "_type": "logs",
        "_id": "",
        "_score": 0.7594807,
        "_source": {
          "product": "柠檬"
        }
      }
    ]
 }

　　"柠檬" 居然真分数最低，非常出乎我的意料。于是，我在查询里打开 "explain":true 选项，查看分数是怎么计算的，发现 doc frequency, avgfieldlength 看着都不对。

问题解释

　　简而言之，ElasticSearch 的相关性打分计算是每个 shard 独立做的。一个索引默认 5 个shard，如果像示例里那样，写入的文档比较少，可能这些文档分布在不同的 shard，造成各个 shard 分别计算各自的得分的时候，并没有将这几条文档放在一起产生统计数据。 各自的打分不具有可比性。

　　所以，后面我又做了一个测试，删掉这个索引，重新创建一个，将 shard 设置为 1，重新写入同样 3 条文档后再搜索，"柠檬” 是排第一位返回的。

　　那么怎么看待这个问题？

　　因为 ElasticSearch 是分布式搜索系统，各个shard独立搜索，独立计算该shard上的文档打分，当数据量比较大的情况下，上面说的差异统计上看基本被抹平了，通常没什么问题。但如果索引的文档比较少，不同 shard 之间对同一个搜索关键词的统计数据差异可能就比较大，这种情况下只能使用一个 shard 来解决了。

　　故这里就可以解释我最初问题中所说的，通过 explain api 去查看打分的过程时，doc frequency 和 avgfieldlength 这类参与打分的统计值看起来“不正确”。之所为认为它“不正确”，是因为一开始没意识到，ES默认的打分是每个shard单独进行的，并非参考的全局统计数据。

建议

　　测试说 “柠檬” 就是水果，是因为头脑里认为“柠檬” 二字植入了领域类别信息。 但是计算机只能处理文本，原始文本信息里 “水果” 这个领域信息是缺失的。 因此需要根据具体的应用场景，对信息做补充，才可能提高精准度。

　　故在做实际搜索应用的时候，则需要根据应用所针对的领域范围，补充打分需要的其他参考信息来提高搜索准确率。 比如收集用户搜索的常用热词，为热词增加权重，或者为信息添加类别信息，为某些类别提高权重等等。

　　另外：

　　　　可以在搜索的时候增加参数：?search_type=dfs_query_then_fetch ，即先分别获得每个分片本地的 IDF ，然后根据结果再计算整个索引的全局 IDF，也是可以实现。不过这种方式代价比较高，适合测试的时候使用，生成环境下还是不建议使用的。

　　推荐可以看一篇 github 上的 issue

总结

　　ElasticSearch 这类搜索引擎主要提供 “搜的到” 的功能，而能否 “搜的准”，需要理解 ElasticSearch 能提供的打分机制，并结合领域信息，对信息做提炼或者补充，然后利用这些打分机制去调配，让搜索结果符合应用的需求。但搜的“准不准”，一千个人有一千个理解，做好不是一件容易的事。

　　BM25 和 基于tf-idf的向量空间模型，我觉得有本质的区别，前者是概率模型，后者是代数模型。