Elasticsearch中实现特定排序逻辑及接入用户推荐的技术咨询

一、用户推荐数据的ES接入方案 #

方案1：独立推荐索引（推荐大规模场景） #

创建单独的索引user_recommendations，字段设计如下：

• user_id：keyword类型，用于精准匹配用户
• product_id：keyword类型，关联商品索引的商品ID
• recommend_score：float类型，存储0-1的推荐值

同步逻辑：推荐系统生成用户推荐结果后，通过ES Bulk API批量执行upsert操作（以user_id+product_id为唯一键），确保数据实时更新且无重复。

方案2：商品索引新增嵌套推荐字段（仅适合小用户量场景） #

在现有商品索引中添加嵌套类型字段user_recommendations，结构示例：

"user_recommendations": {
  "type": "nested",
  "properties": {
    "user_id": {"type": "keyword"},
    "recommend_score": {"type": "float"}
  }
}

同步逻辑：推荐结果更新时，通过ES Update API针对目标商品ID，更新指定user_id对应的推荐分数。但用户规模较大时，会导致商品文档体积急剧膨胀，不建议生产环境大规模使用。

二、三阶段排序逻辑的ES实现 #

核心思路是通过优先级排序+查询过滤拆分三个结果段，同时避免商品重复展示。

方式1：Bool查询+Boost优先级区分 #

通过给不同阶段的查询设置不同的Boost值，让第一阶段结果得分最高，第二阶段次之，第三阶段最低，再结合字段排序实现内部排序：

GET /products/_search
{
  "query": {
    "bool": {
      "should": [
        // 第一阶段：热度>A的热门商品，Boost设为最高
        {
          "range": {
            "popularity": {
              "gt": 80 // 替换为实际阈值A
            }
          }
        },
        // 第二阶段：用户推荐商品（排除已在第一阶段的商品），Boost次之
        {
          "bool": {
            "must": [
              {
                "terms": {
                  "product_id": ["prod_001", "prod_002"] // 从user_recommendations查询得到的当前用户推荐商品ID列表
                }
              },
              {
                "range": {
                  "popularity": {
                    "lte": 80
                  }
                }
              }
            ]
          }
        },
        // 第三阶段：剩余商品（排除前两个阶段），Boost最低
        {
          "bool": {
            "must_not": [
              {
                "range": {
                  "popularity": {
                    "gt": 80
                  }
                }
              },
              {
                "terms": {
                  "product_id": ["prod_001", "prod_002"]
                }
              }
            ]
          }
        }
      ],
      "minimum_should_match": 1
    }
  },
  "sort": [
    {"_score": {"order": "desc"}}, // 按查询得分区分三个阶段优先级
    {"popularity": {"order": "desc", "missing": "_last"}}, // 第一、三阶段内部按热度降序
    {"recommend_score": {"order": "desc", "missing": "_last"}} // 第二阶段内部按推荐值降序
  ]
}

方式2：脚本字段生成排序优先级 #

通过脚本给不同阶段的商品分配优先级数值，直接按优先级排序，内部再按对应字段排序：

GET /products/_search
{
  "query": {
    "match_all": {}
  },
  "script_fields": {
    "sort_priority": {
      "script": {
        "source": """
          def pop = doc['popularity'].value;
          def isRec = params.recIds.contains(doc['product_id'].value);
          if (pop > params.threshold) {
            return 3; // 第一阶段优先级最高
          } else if (isRec) {
            return 2; // 第二阶段次之
          } else {
            return 1; // 第三阶段最低
          }
        """,
        "params": {
          "threshold": 80, // 替换为实际热度阈值A
          "recIds": ["prod_001", "prod_002"] // 当前用户的推荐商品ID列表
        }
      }
    }
  },
  "sort": [
    {"sort_priority": {"order": "desc"}},
    {"popularity": {"order": "desc"}},
    {"recommend_score": {"order": "desc", "missing": "_last"}}
  ]
}

关键注意事项 #

1. 推荐商品ID列表需提前从user_recommendations索引查询获取，再带入商品查询；应用层先获取推荐列表再构造查询是最高效的方式。
2. 必须通过过滤条件排除不同阶段的重复商品，避免同一商品多次展示。
3. 如果使用嵌套字段存储推荐数据，需结合nested查询获取对应用户的推荐分数，但性能远低于独立索引方案。

内容的提问来源于stack exchange，提问作者Александр Корхов