Elasticsearch Service 特别：灵活使用 Sc

ES 的 Function score 允许您修改查询检索到的文档的评分，特别对于评分函数计算量很大，而只需对筛选后的文档集计算评分即可，此功能非常有用。Script score 是 Function score 的一种，它支持使用脚本为返回的文档提供自定义评分。
使用 Script score 结合用户画像和点击行为评分
ES 的 script_score 查询是一项强大的高级功能，在文本搜索场景深受 ES 开发者喜爱，它允许您使用脚本来自定义文档的评分计算方式，可以结合文本相关性与业务指标来实现复杂的排序逻辑，例如您可以结合用户画像和点击行为数据来更好地优化排序，以实现更精准的搜索和推荐，这给我们的业务实现带来了很大的灵活性和实用性。
GET /_search
{
  "query": {
    "function_score": {
      "query": {
        "match": { "message": "elasticsearch" }
      },
      "script_score": {
        "script": {
          "source": "Math.log(2 + doc['my-int'].value)"
        }
      }
    }
  }
}
谨慎将 script_score 用于向量暴力搜索
但是当我们把 script_score 用于向量搜索时（参阅这里），它将执行暴力扫描（即使您在索引 mapping 中将索引类型设置为 hnsw），而不是您在索引设置中定义的近似 KNN 搜索，脚本会对范围内的每一个文档，读取其存储的 title_vector 字段值，并调用内置的向量函数（如 cosineSimilarity）与传入的查询向量参数进行计算，向量搜索性能会急剧下降，因此，除非在小数据集 (<10万) 或必须精确的场景，我们一般不建议将 script_score 用于向量搜索。
GET my-index/_search
{
  "query": {
    "script_score": {
      "query" : {
        "bool" : {
          "filter" : {
            "term" : {
              "status" : "published"
            }
          }
        }
      },
      "script": {
        // 调用内置函数计算余弦相似度
        // title_vector 是文档中的向量
        // params.query_vector 是外部传入的查询向量
        // + 1.0 是为了保证得分为正数（余弦相似度范围是 -1 到 1）     
        "source": "cosineSimilarity(params.query_vector, 'title_vector') + 1.0",
        "params": {
          "query_vector": [4, 3.4, -0.2]
        }
      }
    }
  }
}
特别：灵活使用 Script Score，并谨慎用于向量暴力检索

本页目录：

使用 Script score 结合用户画像和点击行为评分

谨慎将 script_score 用于向量暴力搜索
