在 Elasticsearch 中，評分（或打分）通常在查詢過程中進行，以判斷文檔的相關性。

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

Elasticsearch 的評分主要關注的是相關性排序，而不是確切的評分值，因此如果你想要讓 Elasticsearch 的評分等比例地映射到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 內置的功能，你需要自己來實現。

1、歸一化解讀

當我們談論"歸一化"時，我們指的是將數據集轉換為一個共享的，標準化的比例或范圍。這在數據分析和機器學習中非常常見，因為它能夠幫助我們對不同的數據集進行公平的比較。

例如，假設你有兩個數據集，一個是人們的身高（以厘米為單位），另一個是人們的體重（以千克為單位）。這兩個數據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論。然而，如果我們將兩者都歸一化到0和1之間，我們就可以更容易地比較和理解這兩個數據集。

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，當有新數據進來時，可能會改變最大值或最小值，這時候我們就需要重新定義式子中的Xmax和Xmin，以免導致錯誤。

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

2、Elasticsearch 歸一化

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

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

簡而言之，歸一化就是將數據轉換到一個統一的范圍，這樣我們就可以更容易地進行比較和理解。

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

然而，需要注意的是，這種方法可能會產生不一致的結果，因為 Elasticsearch 的評分機制會考慮各種因素（如 tf-idf，字段長度等），并且對于不同的查詢，最高和最低的評分可能會有所不同。

因此，歸一化評分在 Elasticsearch 中是一個復雜的任務，可能需要在查詢級別和/或應用級別進行處理。如果你正在設計一個系統，需要在0和1之間等比例地映射評分，那么可能需要重新考慮是否 Elasticsearch 的評分機制是最適合的方式，或者可能需要查找其他方法來補充或替代 Elasticsearch 的評分。

3、Elasticsearch 8.X 評分歸一化

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

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

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

假設你已經找到了最高評分 max_score 和最低評分 min_score，你可以在查詢中使用一個腳本來進行歸一化：

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

在這個查詢中，我們使用了一個腳本，這個腳本會將原始評分 (_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。

請注意，這只是一個簡單的示例，并且這種方法有一些限制。例如，最高和最低的評分可能會隨著索引的更新而改變。你可能需要定期更新這些值，或者在每次查詢時都計算這些值，這可能會影響查詢的性能。

此外，這個腳本假設評分總是在 min_score 和 max_score 之間。如果有新的文檔或查詢導致評分超出了這個范圍，那么這個腳本可能會返回小于0或大于1的值。

在使用這個方法時，你需要考慮這些限制，并根據你的實際情況進行調整。

4、Elasticsearch 8.X 歸一化實操

接下來我們通過一個實際的操作示例來演示這個過程。

4.1 獲取最大評分

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

得到結果：4.4682097。

4.2 獲取最小評分

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

得到結果：3.731265。

4.3 計算到0-1之間的評分

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，我們就可以實現在 Elasticsearch 中將評分等比例地映射到0和1之間。