一、倒排索引原理
ES采用的是倒排索引（Inverted Index）, 也称为反向索引。 有反向索引，也会有正向索引。
-
正向索引
正排索引是以文档的ID作为关键字，并且记录文档中每个字段的值信息，通过查询id来把整条文档拿出来。
但是在查询某一个keyword存在于哪些文档的时候， 需要对所有文档进行扫描匹配。这样检索效率比较低下。
-
倒排索引
倒排索引以字或词作为关键字索引， 倒排索引建立的是分词（Term）和文档（Document）之间的映射关系。
倒排索引表结构， 去除停用词后构造的倒排索引：
elasticsearch 1，3 最流行 1，2 搜索引擎 1 ... 倒排索引主要由单词词典（Term Dictionary）和倒排列表（Posting List）及倒排文件(Inverted File)组成。
-
如何定位
对于规模很大的文档集合，里面可能包含上百万的关键单词（term）, 找出某个特定的term就会很慢， 需要逐个过滤一遍，如何快速定位？
先做好排序，然后用二分查找的方式，这样比全部遍历方式来得更快，这个就是term dictionary。可以采用logN次磁盘查找获取目标，但是磁盘随机读操作仍然非常昂贵（一次随机读random access 大概需10ms），
所以尽量少读磁盘， 但缓存到内存中， 整个term dictionary又非常大， 于是就有了term index字典的索引。
term index 是b-tree结构：
这棵树不会包含所有的term，它只记录term的一些前缀。通过term index可以快速地定位到term dictionary的某个offset，然后从这个位置再往后顺序查找。
所以term index不需要存储所有的term，而仅仅是他们的一些前缀与Term Dictionary的block之间的映射关系，再结合FST(Finite State Transducers)的压缩技术，可以使term index缓存到内存中。从term index查到对应的term dictionary的block位置之后，再去磁盘上找term，大大减少了磁盘随机读的次数。
二、评分TF/IDF/BM25计算
每条搜索记录ES都会给出一个评分，ES有两个打分计算方式：
-
TF: Term Frequency，即词频。它表示一个词在内容中出现的次数。定义：
某个词出现越多，表示越重要，如果某篇文章出现了elasticsearch多次， 而spring出现了两三次， 那很可能就是一篇关于elasticsearch的专业文章。
-
IDF: Inverse Document Frequency，即逆文档频率，它是一个表达词语重要性的指标。计算公式：
log为对数函数，如果所有文章内容都包涵某一个词，那这个词的IDF＝log(1)=0, 重要性为零。停用词的IDF约等于0。
如果某个词只在很少的文章中出现，则IDF很大，其重要性也越高。为了避免分母为0，所以＋1.
-
BM25
随着TF(t) 的逐步加大，该算法的返回值会趋于一个数值，BM25 就针对这点进行来优化。
例如， 某个文章的关键词出现的频率不断增多， 得分就会越来越高， 有的文章关键词出现40次， 和有的文章关键词出现60次或80次， 但实际上出现40次的文章，可能就是所期望的结果。
-
查看ES评分计算：
增加explain标识为true，会列出计算执行计划：
GET /movies/_search { "explain": true, "query":{ "match":{ "title":"heart" } } }里面会详细记录评分细则：
... "_explanation" : { "value" : 6.0875173, "description" : "weight(title:heart in 276) [PerFieldSimilarity], result of:", "details" : [ { "value" : 6.0875173, "description" : "score(freq=1.0), computed as boost * idf * tf from:", "details" : [ { "value" : 2.2, "description" : "boost", "details" : [ ] }, { "value" : 5.8863263, "description" : "idf, computed as log(1 + (N - n + 0.5) / (n + 0.5)) from:", "details" : [ ...整个评分计算： boost * idf * tf （boost为放大系数， 默认为2.2）
BM25的计算在tf的描述中： (freq + k1 * (1 - b + b * dl / avgdl))
本文由mirson创作分享，如需进一步交流，请加QQ群：19310171或访问www.softart.cn