在我之前的文章 “Elasticsearch：使用 function_score 及 script_score 定制搜索结果的分数” 我有讲到 Decay 函数在搜索中的使用。在那里，我有一个例子讲述在规定的时间里，分数不进行衰减。同一的函数也可以适用于地理位置的搜索。位置搜索的范围在规定范围里可以不进行衰减，超过这个范围就会按照衰减函数进行衰减。
想象一下，你需要根据用户位置的接近程度对结果进行排序。完成此任务的方法之一是使用定位和衰减函数。 衰减函数可用于根据比例调整文档的相关性分数。
在我们的示例中，我们将注册一些餐厅，并从用户的位置返回最近的餐厅。
让我们创建我们的地图，现在我们将使用 geo_point 类型，因为我们将使用纬度和经度。
1. PUT restaurants
2. {
3. "mappings": {
4. "properties": {
5. "title": {
6. "type": "text"
7. },
8. "location": {
9. "type": "geo_point"
10. }
11. }
12. }
13. }
现在让我们插入一些文档：
1. POST restaurants/_bulk
2. {"index":{}}
3. {"title":"McDonald's 1000","location":{"lat" : -23.525920 ,"lon" : -46.650211}}
4. {"index":{}}
5. {"title":"McDonald's Caneca","location":{"lat" : -23.553720 ,"lon" : -46.652940}}
6. {"index":{}}
7. {"title":"McDonald's Paulista","location":{"lat" : -23.565920 ,"lon" : -46.650210}}
8. {"index":{}}
9. {"title":"McDonald's - Shopping Pátio Higienópolis","location":{"lat" : -23.582460 ,"lon" : -46.688560}}
上面的命令将创建 4 个位置文档。假如我们想在位置 [-23.542719, -46.653965] 进行搜索。它们的相对位置关系如下：
在我们的查询中，我们将使用 Function score query | Elasticsearch Guide [8.6] | Elastic 和 Gaussian 函数，我们希望距离半径 500 米的人获得最大得分（origin - offset <= value <= origin + offset）和 200m (scale) 分数将开始下降。根据 Gaussian function的曲线分布，超过一定的范围衰减非常之快，以至于很快到 0。
在第一个测试中，我们将使用原点 -23.561581、-46.659540。 此搜索的结果将是最接近的（请注意分数如何随着离原点越远而降低）：
1. GET restaurants/_search?filter_path=**.hits
2. {
3. "query": {
4. "function_score": {
5. "query": {
6. "match": {
7. "title": {
8. "query": "McDonald's"
9. }
10. }
11. },
12. "functions": [
13. {
14. "gauss": {
15. "location": {
16. "origin": {
17. "lat": -23.542719,
18. "lon": -46.653965
19. },
20. "offset": "500m",
21. "scale": "200m",
22. "decay": "0.5"
23. }
24. },
25. "weight": 10
26. }
27. ],
28. "boost_mode": "replace"
29. }
30. }
31. }
参数说明：
| 项目 | 说明 |
|---|---|
| origin | 用于计算距离的原点。 必须以数字字段的数字、日期字段的日期和地理字段的地理点的形式给出。 地理和数字字段必填。 对于日期字段，默认值为现在。 origin 支持日期数学（例如 now-1h）。 |
| scale | 所有类型都需要。 定义距离原点的距离 + 偏移量，在该距离处计算的分数将等于衰减参数。 对于地理字段：可以定义为数字+单位（1km，12m，...）。 默认单位是米。 对于日期字段：可以定义为数字+单位（“1h”、“10d”、… ）。 默认单位是毫秒。 对于数字字段：任何数字。 |
| offset | 如果定义了偏移量，衰减函数将只计算距离大于定义的偏移量的文档的衰减函数。 默认值为 0。 |
| decay | decay 参数定义了如何在按比例给定的距离对文档进行评分。 如果没有定义衰减，则距离 scale 的文档将得分为 0.5。 |
上述查询在离 origin 开始的 200m + 500m 开始进行衰减。它的衰减因子为 0.5。在这个以 200m + 500m 为圆半径的文档得分值将保持不变。
运行上面查询的结果为：
1. {
2. "hits": {
3. "hits": [
4. {
5. "_index": "restaurants",
6. "_id": "QxqBNYYB2XodIZsbBsV5",
7. "_score": 0.0010342363,
8. "_source": {
9. "title": "McDonald's Caneca",
10. "location": {
11. "lat": -23.55372,
12. "lon": -46.65294
13. }
14. }
15. },
16. {
17. "_index": "restaurants",
18. "_id": "QhqBNYYB2XodIZsbBsV5",
19. "_score": 1.2783469e-14,
20. "_source": {
21. "title": "McDonald's 1000",
22. "location": {
23. "lat": -23.52592,
24. "lon": -46.650211
25. }
26. }
27. },
28. {
29. "_index": "restaurants",
30. "_id": "RBqBNYYB2XodIZsbBsV5",
31. "_score": 3.5952473e-33,
32. "_source": {
33. "title": "McDonald's Paulista",
34. "location": {
35. "lat": -23.56592,
36. "lon": -46.65021
37. }
38. }
39. },
40. {
41. "_index": "restaurants",
42. "_id": "RRqBNYYB2XodIZsbBsV5",
43. "_score": 0,
44. "_source": {
45. "title": "McDonald's - Shopping Pátio Higienópolis",
46. "location": {
47. "lat": -23.58246,
48. "lon": -46.68856
49. }
50. }
51. }
52. ]
53. }
54. }
正像我们看到的那样，搜索的结果是我们所期望的。从返回的分数来看在范围里的文档的分数不受影响，但是一旦超出范围，搜索到的文档的分数会被加权并得到衰减。
我们再次修改 origin 的位置到 -23.542719, -46.653965。它们的相对关系显示如下：
我们再次进行搜索：
1. GET restaurants/_search?filter_path=**.hits
2. {
3. "query": {
4. "function_score": {
5. "query": {
6. "match": {
7. "title": {
8. "query": "McDonald's"
9. }
10. }
11. },
12. "functions": [
13. {
14. "gauss": {
15. "location": {
16. "origin": {
17. "lat": -23.542719,
18. "lon": -46.653965
19. },
20. "offset": "500m",
21. "scale": "200m",
22. "decay": "0.5"
23. }
24. },
25. "weight": 10
26. }
27. ],
28. "boost_mode": "replace"
29. }
30. }
31. }
我们可以看到如下的结果：
1. {
2. "hits": {
3. "hits": [
4. {
5. "_index": "restaurants",
6. "_id": "QxqBNYYB2XodIZsbBsV5",
7. "_score": 0.0010342363,
8. "_source": {
9. "title": "McDonald's Caneca",
10. "location": {
11. "lat": -23.55372,
12. "lon": -46.65294
13. }
14. }
15. },
16. {
17. "_index": "restaurants",
18. "_id": "QhqBNYYB2XodIZsbBsV5",
19. "_score": 1.2783469e-14,
20. "_source": {
21. "title": "McDonald's 1000",
22. "location": {
23. "lat": -23.52592,
24. "lon": -46.650211
25. }
26. }
27. },
28. {
29. "_index": "restaurants",
30. "_id": "RBqBNYYB2XodIZsbBsV5",
31. "_score": 3.5952473e-33,
32. "_source": {
33. "title": "McDonald's Paulista",
34. "location": {
35. "lat": -23.56592,
36. "lon": -46.65021
37. }
38. }
39. },
40. {
41. "_index": "restaurants",
42. "_id": "RRqBNYYB2XodIZsbBsV5",
43. "_score": 0,
44. "_source": {
45. "title": "McDonald's - Shopping Pátio Higienópolis",
46. "location": {
47. "lat": -23.58246,
48. "lon": -46.68856
49. }
50. }
51. }
52. ]
53. }
54. }
这是介绍衰减函数的方法之一，我希望它有用。
