ElasticSearch, Kibana
ElasticSearch 5.0版本前相关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 : Term Frequency, Inverse Document Frequency 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。
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
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。
通过 boosting query 嵌套搜索修改内层搜索结果的相关性得分先看一下 boosting query 嵌套搜索的语法：GET /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(>0 and <1), 减分(<0)
通过 boosting query 嵌套term查询，降权处理相关性得分图1示，boosting query 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
通过 boosting query 嵌套match查询，升权相关性得分图示，boosting query 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