1. 什么是Function Score Query

在Elasticsearch中，搜索结果的默认排序由相关性分数（_score）决定，该分数基于BM25算法计算得出。然而在实际业务场景中，我们常常需要根据业务需求调整相关度排序，这时候Function Score Query就显得尤为重要。

Function Score Query是Elasticsearch提供的一种强大的自定义评分工具，它允许我们在原始查询得分的基础上，通过应用一个或多个函数来修改文档的最终得分。这意味着我们可以基于文档的特定字段、属性或其他因素来定制排序逻辑，实现更加智能的搜索结果排序。

1.1 核心价值与应用场景

Function Score Query的核心价值在于它能够将业务逻辑融入搜索排序中。常见的应用场景包括：

• 竞价排名：付费推广的文档获得更高排名
• 个性化推荐：根据用户偏好提升特定内容的相关性
• 时效性排序：新闻、促销等有时间敏感性的内容
• 业务权重：考虑销量、评分、流行度等业务因素
• 地理位置排序：附近优先的位置搜索

2. Function Score查询结构详解

2.1 基本查询格式

一个典型的Function Score查询包含以下核心组成部分：

{
  "query": {
    "function_score": {
      "query": { ... },              // 原始查询
      "functions": [ ... ],          // 函数列表
      "score_mode": "multiply",      // 函数间分数组合方式
      "boost_mode": "multiply",      // 原始分数与函数分数组合方式
      "max_boost": 42,               // 最大分数限制
      "min_score": 0.5               // 最小分数阈值
    }
  }
}

2.2 核心组件说明

• query：定义原始查询条件，用于初步筛选文档并计算基础相关性分数。
• functions：包含一个或多个评分函数，每个函数可以有自己的过滤器，确定函数应用的文档范围。
• score_mode：指定多个函数分数之间的组合方式。
• boost_mode：定义原始查询分数与函数分数的组合方式。
• max_boost：限制最终得分的上限，防止某个文档因函数评分过高而永远排在前面。
• min_score：设置分数阈值，只返回高于此值的文档。

3. 评分函数类型详解

3.1 Weight函数：静态权重

Weight函数是最简单的评分函数，它为匹配的文档应用一个静态权重乘数：

{
  "functions": [
    {
      "filter": { "term": { "brand": "小米" } },
      "weight": 10
    }
  ]
}

在这个例子中，所有品牌为"小米"的文档都会获得10倍的权重提升。Weight函数的好处是简单高效，适用于基于静态条件的权重调整。

3.2 Field Value Factor函数：字段值影响评分

Field Value Factor函数允许我们使用文档中字段的值来影响得分：

{
  "functions": [
    {
      "field_value_factor": {
        "field": "popularity",
        "factor": 1.2,
        "modifier": "sqrt",
        "missing": 1
      }
    }
  ]
}

这将转换为计算公式：sqrt(1.2 * doc['popularity'].value)

Field Value Factor参数说明：

参数	说明	默认值
field	要从文档中提取的字段名	必填
factor	与字段值相乘的系数	1
modifier	应用于字段值的修改器	none
missing	字段缺失时的默认值	无

Modifier修饰符选项：

修饰符	含义	适用场景
none	不使用修改器	原始字段值
log	取常用对数	压缩大数值范围
log1p	字段值+1后取对数	处理含0的数据
ln	取自然对数	数学计算
ln1p	字段值+1后取自然对数	处理含0的数据
square	平方	放大差异
sqrt	平方根	缩小差异
reciprocal	倒数	数值越小得分越高

3.3 Random Score函数：随机排序

Random Score函数为文档提供随机分数，可用于实现随机推荐或A/B测试：

{
  "functions": [
    {
      "random_score": {
        "seed": 42
      }
    }
  ]
}

通过设置不同的seed值，可以控制随机序列，确保相同的种子产生相同的随机顺序。

3.4 Script Score函数：完全自定义评分

当内置函数无法满足复杂业务需求时，Script Score函数提供了完全自定义评分的能力：

{
  "functions": [
    {
      "script_score": {
        "script": {
          "lang": "painless",
          "source": "_score * doc['read_count'].value / Math.pow(params.param1, params.param2)",
          "params": {
            "param1": 2,
            "param2": 0.5
          }
        }
      }
    }
  ]
}

Script Score函数支持Painless脚本语言，可以访问文档字段、当前分数_score，并接受外部参数。

3.5 衰减函数：基于距离的评分

衰减函数（Decay Functions）允许我们根据数值字段或地理位置与目标值的距离来衰减文档分数。Elasticsearch支持三种衰减函数：

高斯衰减（gauss）：产生平滑的钟形曲线，适合大多数场景
指数衰减（exp）：产生陡峭的衰减曲线，衰减更快
线性衰减（linear）：直线衰减，简单直接

{
  "functions": [
    {
      "gauss": {
        "location": {
          "origin": { "lat": 40.0, "lon": 116.0 },
          "scale": "10km",
          "offset": "1km",
          "decay": 0.5
        }
      }
    }
  ]
}

衰减函数参数说明：

• origin：理想值点，距离为0时得分最高
• scale：衰减速率，值越大衰减越慢
• offset：从原点开始的不衰减区域
• decay：在scale + offset距离处的得分比例

4. 分数组合模式详解

4.1 Score Mode：多函数分数组合

当有多个评分函数时，score_mode参数决定如何组合各个函数的分数：

模式	说明	适用场景
multiply	函数结果求积	默认行为，函数间相互增强/减弱
sum	函数结果求和	累加各函数的贡献
avg	函数结果平均值	平衡多个函数的影响
max	取函数结果最大值	仅关注最重要的函数
min	取函数结果最小值	保守策略，取最低影响
first	使用首个匹配函数的结果	优先级明确的场景

4.2 Boost Mode：与原始查询分数组合

boost_mode参数定义函数评分如何与原始查询评分组合：

模式	说明	公式
multiply	查询得分与函数得分相乘	final_score = query_score * function_score
replace	仅使用函数得分，忽略查询得分	final_score = function_score
sum	查询得分与函数得分相加	final_score = query_score + function_score
avg	查询得分与函数得分取平均值	final_score = (query_score + function_score) / 2
max	取查询得分和函数得分的最大值	final_score = max(query_score, function_score)
min	取查询得分和函数得分的最小值	final_score = min(query_score, function_score)

5. 实战应用案例

5.1 案例一：新闻搜索综合排序

假设我们有一个新闻系统，需要根据相关性、时效性和热度进行综合排序：

{
  "query": {
    "function_score": {
      "query": {
        "match": {
          "title": "台风"
        }
      },
      "functions": [
        {
          "filter": { "range": { "pub_time": { "gte": "now-7d/d" } } },
          "weight": 2
        },
        {
          "field_value_factor": {
            "field": "read_count",
            "modifier": "log1p",
            "factor": 0.1
          }
        },
        {
          "gauss": {
            "pub_time": {
              "origin": "now",
              "scale": "7d",
              "offset": "1d",
              "decay": 0.5
            }
          }
        }
      ],
      "score_mode": "sum",
      "boost_mode": "multiply",
      "max_boost": 3.0
    }
  }
}

这个查询实现了：

• 基础相关性：匹配"台风"关键词
• 时效性提升：近7天发布的新闻权重×2
• 热度考虑：阅读数影响评分（使用log1p压缩数值范围）
• 时间衰减：使用高斯函数平滑衰减过去新闻的得分

5.2 案例二：电商商品竞价排名

在电商场景中，需要平衡相关性和广告投放：

{
  "query": {
    "function_score": {
      "query": {
        "match": {
          "name": "手机"
        }
      },
      "functions": [
        {
          "filter": { "term": { "brand": "小米" } },
          "weight": 10
        },
        {
          "filter": { "term": { "is_sponsored": true } },
          "weight": 5
        },
        {
          "field_value_factor": {
            "field": "sales_volume",
            "modifier": "sqrt",
            "factor": 0.5
          }
        }
      ],
      "score_mode": "sum",
      "boost_mode": "multiply"
    }
  }
}

这个案例中，我们为小米品牌和广告商品设置了更高的权重，同时考虑销量因素，实现了业务价值与相关性的平衡。

5.3 案例三：按类型优先级排序

在某些情况下，我们需要按文档类型设置优先级：

{
  "query": {
    "function_score": {
      "query": {
        "wildcard": {
          "term": {
            "value": "*flu*"
          }
        }
      },
      "functions": [
        {
          "filter": {
            "term": {
              "type": "procedure"
            }
          },
          "weight": 2
        },
        {
          "filter": {
            "term": {
              "type": "drug"
            }
          },
          "weight": 1
        }
      ],
      "score_mode": "sum",
      "boost_mode": "replace"
    }
  }
}

这个例子中，我们将类型为"procedure"的文档权重设为2，"drug"类型权重设为1，使用replace模式完全依赖函数评分进行排序。

6. 性能优化与最佳实践

6.1 性能考虑

1. 过滤器顺序：将选择性高的过滤器放在前面，减少后续函数需要处理的文档数量
2. 函数复杂度：Script Score函数最昂贵，Weight函数最轻量
3. 缓存利用：使用过滤器可以利用Elasticsearch的查询缓存
4. 分页限制：避免深度分页，考虑使用search_after参数

6.2 最佳实践

1. 明确业务需求：在设计评分策略前，明确排序的业务目标
2. 适度使用：不要过度复杂化评分逻辑，保持可维护性
3. 测试验证：通过实际查询验证评分效果，确保符合预期
4. 参数调优：根据数据分布调整函数参数，特别是衰减函数的scale和decay
5. 监控分析：定期分析查询性能，确保评分函数不会成为瓶颈

7. 总结

Function Score Query是Elasticsearch中极其强大且灵活的功能，它打破了传统相关性排序的限制，让开发者能够将业务逻辑融入搜索排序中。通过合理使用各种评分函数和组合模式，我们可以实现更加智能、符合业务需求的搜索体验。

无论是简单的权重提升、复杂的字段值计算，还是基于地理位置或时间的衰减排序，Function Score Query都能提供有效的解决方案。掌握这一功能，将极大提升你构建高质量搜索应用的能力。

关键要点回顾：

• 从业务目标出发设计评分策略
• 理解不同评分函数的特点和适用场景
• 合理配置score_mode和boost_mode
• 注意性能影响，特别是脚本函数的使用
• 充分测试确保评分效果符合预期