工作机会，需要对检索结果进行调优，从未接触过算法以及检索的我，开始阅读ES各种材料，无奈网络上的材料大多伴随着各种coding，对于没有代码背景的人来说实属难以理解。只能在各种材料中总结归纳，翻译成大白话。

1. ES的含义

英文全称：ElasticSearch。

含义：分布式、高扩展、高实时的搜索与数据分析引擎（来源百度百科，抽象）

2. ES中文检索的过程

以下分别介绍每个过程中的关键点

（1）存储过程

在存储过程中，ES会根据要进行检索的字段，对存储内容进行拆词存储，并形成索引。ES有两种拆词方法（ik_max_word,和ik_smart方法名字百度出来的，非专业）。一种粗粒度，一种细粒度，两种方法的拆分结果示例如下：

数据：百度在线有限公司

粗粒度分词：百度、在线、有限公司

细粒度分词：百度、百、度、在线、有限公司、有限、有、限、公司

基本可以这样理解：粗粒度安装短语进行分词，细粒度不仅涵盖短语，还会拆分到字。细粒度分词虽然会占用更多的存储空间，但是好处是，在检索更细的词语或者单字也能有命中结果。

（2）检索拆词

检索拆词的过程与入库存储的分词过程一致，不再赘述。

检索内容拆出来的词会与存储过程中的分词索引进行快速匹配，匹配到了即可展示出检索结果。

（3）检索排序

在检索匹配条数很多的情况下，优先展示哪条结果呢？这里就要使用相关性计算来进行打分判断了，相关性越高，会展示地越靠前。

相关性得分的判断依据（TF/IDF 相似度算法）如下：

A：检索词频率 。检索词在该字段出现的频率，出现频率越高，相关性也越高。 字段中出现过 5 次要比只出现过 1 次的相关性高。（重要的事情说三遍，大概就是这个意思吧）

B：反向文档频率 。每个检索词在索引中出现的频率，频率越高，相关性越低。检索词出现在多数文档中会比出现在少数文档中的权重更低。（供给量越大价格越低，符合经济学原理）

C：字段长度准则 。字段的长度是多少，长度越长，相关性越低。 检索词出现在一个短的 title 要比同样的词出现在一个长的 content 字段权重更大。（惜字如金，描述这里很恰当）

依据此仨原则，会计算出一个得分_score。检索排序顺序自然按照这个得分由高到低排列。

这个规则看起来既符合常识又符合经济学原理，但是，在实际使用中却不一定能得到最好的效果，所以，"科学家们"又发明了可以干预得分的一些方法和函数（百度一下，资源丰富，全是coding，😓），可以根据业务的需要来对_score进行一定程度的调整。这样，保证排序效果。

以上，就是ES中文检索的白话原理了。下一篇，跟我一起在实践中检验真理吧！