在 Elasticsearch 中，評(píng)分（或打分）通常在查詢過程中進(jìn)行，以判斷文檔的相關(guān)性。

默認(rèn)的打分機(jī)制使用的是 BM25，但你也可以通過自定義的打分查詢（function_score）來自定義評(píng)分機(jī)制。然而，如果你想要將評(píng)分范圍限定在0到1之間，你可能需要在查詢中使用腳本來實(shí)現(xiàn)。

Elasticsearch 的評(píng)分主要關(guān)注的是相關(guān)性排序，而不是確切的評(píng)分值，因此如果你想要讓 Elasticsearch 的評(píng)分等比例地映射到0和1之間，你需要使用一些形式的歸一化或縮放方法。但這并不是 Elasticsearch 內(nèi)置的功能，你需要自己來實(shí)現(xiàn)。

1、歸一化解讀

當(dāng)我們談?wù)?quot;歸一化"時(shí)，我們指的是將數(shù)據(jù)集轉(zhuǎn)換為一個(gè)共享的，標(biāo)準(zhǔn)化的比例或范圍。這在數(shù)據(jù)分析和機(jī)器學(xué)習(xí)中非常常見，因?yàn)樗軌驇椭覀儗?duì)不同的數(shù)據(jù)集進(jìn)行公平的比較。

例如，假設(shè)你有兩個(gè)數(shù)據(jù)集，一個(gè)是人們的身高（以厘米為單位），另一個(gè)是人們的體重（以千克為單位）。這兩個(gè)數(shù)據(jù)集的范圍和單位都不同。如果我們直接比較它們，就很難得出有意義的結(jié)論。然而，如果我們將兩者都?xì)w一化到0和1之間，我們就可以更容易地比較和理解這兩個(gè)數(shù)據(jù)集。

常見的歸一化方法是使用最小值最大值歸一化法（Min-Max Normalization）。我們會(huì)使用到以下公式：

其中Xmax代表最大值、Xmin代表最小值。需要注意的是，當(dāng)有新數(shù)據(jù)進(jìn)來時(shí)，可能會(huì)改變最大值或最小值，這時(shí)候我們就需要重新定義式子中的Xmax和Xmin，以免導(dǎo)致錯(cuò)誤。

參考：https://www.cupoy.com/collection/0000018008CD5D70000000046375706F795F72656C656173654355/00000181709BCC8F000000056375706F795F72656C656173654349

2、Elasticsearch 歸一化

在這個(gè) Elasticsearch 的案例中，我們正在討論的是如何將評(píng)分（_score）歸一化到0和1之間。

默認(rèn)情況下，Elasticsearch 的評(píng)分可以在很大的范圍內(nèi)變化，這取決于很多因素，比如查詢的復(fù)雜性，文檔的數(shù)量，等等。如果我們想要更方便地比較和理解這些評(píng)分，我們可以將它們歸一化，這樣所有的評(píng)分都會(huì)在0和1之間。

簡(jiǎn)而言之，歸一化就是將數(shù)據(jù)轉(zhuǎn)換到一個(gè)統(tǒng)一的范圍，這樣我們就可以更容易地進(jìn)行比較和理解。

歸一化的方法取決于你知道評(píng)分范圍的上下限，或者愿意接受一些近似值。一種可能的方法是，首先執(zhí)行一個(gè)查詢來獲取最高和最低的評(píng)分，然后使用這些值來歸一化其他查詢的評(píng)分。

然而，需要注意的是，這種方法可能會(huì)產(chǎn)生不一致的結(jié)果，因?yàn)?Elasticsearch 的評(píng)分機(jī)制會(huì)考慮各種因素（如 tf-idf，字段長(zhǎng)度等），并且對(duì)于不同的查詢，最高和最低的評(píng)分可能會(huì)有所不同。

因此，歸一化評(píng)分在 Elasticsearch 中是一個(gè)復(fù)雜的任務(wù)，可能需要在查詢級(jí)別和/或應(yīng)用級(jí)別進(jìn)行處理。如果你正在設(shè)計(jì)一個(gè)系統(tǒng)，需要在0和1之間等比例地映射評(píng)分，那么可能需要重新考慮是否 Elasticsearch 的評(píng)分機(jī)制是最適合的方式，或者可能需要查找其他方法來補(bǔ)充或替代 Elasticsearch 的評(píng)分。

3、Elasticsearch 8.X 評(píng)分歸一化

如果你想將 Elasticsearch 的評(píng)分等比例地映射到0和1之間，你首先需要知道可能的評(píng)分范圍。這可能需要你先執(zhí)行一個(gè)查詢來找出可能的最高和最低分。以下是一個(gè)簡(jiǎn)單的示例。首先，我們做一個(gè)查詢來找到評(píng)分范圍：

GET /your_index/_search
{
  "query": { "match_all": {} },
  "size": 1,
  "sort": [ { "_score": "desc" } ]
}

這個(gè)查詢會(huì)返回評(píng)分最高的文檔。你可以從返回的結(jié)果中找到 _score 字段，這就是最高的評(píng)分。你也可以通過將排序方向改為 "asc" 來找到最低的評(píng)分。然后，你可以用這些值來進(jìn)行歸一化。

假設(shè)你已經(jīng)找到了最高評(píng)分 max_score 和最低評(píng)分 min_score，你可以在查詢中使用一個(gè)腳本來進(jìn)行歸一化：

{
  "query": {
    "function_score": {
      "query": { "match_all": {} },
      "script_score": {
        "script": {
          "source": "(_score - params.min) / (params.max - params.min)",
          "params": {
            "max": max_score,
            "min": min_score
          }
        }
      }
    }
  }
}

在這個(gè)查詢中，我們使用了一個(gè)腳本，這個(gè)腳本會(huì)將原始評(píng)分 (_score) 歸一化到0和1之間。注意，你需要將 max_score 和 min_score 替換為你在前面的查詢中找到的值。

請(qǐng)注意，這只是一個(gè)簡(jiǎn)單的示例，并且這種方法有一些限制。例如，最高和最低的評(píng)分可能會(huì)隨著索引的更新而改變。你可能需要定期更新這些值，或者在每次查詢時(shí)都計(jì)算這些值，這可能會(huì)影響查詢的性能。

此外，這個(gè)腳本假設(shè)評(píng)分總是在 min_score 和 max_score 之間。如果有新的文檔或查詢導(dǎo)致評(píng)分超出了這個(gè)范圍，那么這個(gè)腳本可能會(huì)返回小于0或大于1的值。

在使用這個(gè)方法時(shí)，你需要考慮這些限制，并根據(jù)你的實(shí)際情況進(jìn)行調(diào)整。

4、Elasticsearch 8.X 歸一化實(shí)操

接下來我們通過一個(gè)實(shí)際的操作示例來演示這個(gè)過程。

4.1 獲取最大評(píng)分

POST kibana_sample_data_ecommerce/_search
{
  "_source": [""],
  "query": {
    "match": {
      "customer_full_name": "Underwood"
    }
  },
  "size": 10,
  "sort": [
    {
      "_score": "desc"
    }
  ]
}

得到結(jié)果：4.4682097。

4.2 獲取最小評(píng)分

POST kibana_sample_data_ecommerce/_search
{
  "_source": [""],
  "query": {
    "match": {
      "customer_full_name": "Underwood"
    }
  },
  "size": 10,
  "sort": [
    {
      "_score": "asc"
    }
  ]
}

得到結(jié)果：3.731265。

4.3 計(jì)算到0-1之間的評(píng)分

POST kibana_sample_data_ecommerce/_search
{
  "from": 0,
  "size": 10,
  "_source": [
    ""
  ],
  "sort": [
    {
      "_score": {
        "order": "asc"
      }
    }
  ],
  "query": {
    "script_score": {
      "query": {
        "match": {
          "customer_full_name": "Underwood"
        }
      },
      "script": {
        "source": "(_score - params.min) / (params.max - params.min)",
        "params": {
          "max": 4.4682097,
          "min": 3.731265
        }
      }
    }
  }
}

通過這些步驟，我們就可以實(shí)現(xiàn)在 Elasticsearch 中將評(píng)分等比例地映射到0和1之間。