Elasticsearch混合搜索：如何提升语义搜索相对词项搜索的权重

一、评分范围与上限问题 #

1. 词项搜索（Match查询）的评分范围 #

词项搜索默认采用BM25算法计算评分，没有固定的0-20范围。评分由词频、文档频率、文档长度等因素共同决定，实际场景中数值可能从0到几十甚至更高，完全取决于你的数据分布和查询内容。

2. 语义搜索（kNN向量搜索）的评分范围 #

默认使用余弦相似度计算，范围是0-1（越接近1表示向量匹配度越高），而非0-10。如果切换为其他相似度算法（如L2距离），评分逻辑会变化——比如L2距离数值越小，匹配度越高。

3. 两种搜索的最高评分 #

• 词项搜索：没有固定理论上限，实际最大值由数据和查询内容决定。
• 语义搜索（余弦相似度）：最高评分为1，对应向量完全匹配的情况。

要让语义搜索结果排在前列，最直接的方式是调整两者的权重：

• 给kNN查询添加boost参数（如"boost": 2），提升其评分权重
• 降低词项搜索的boost（如"boost": 0.5），削弱其评分占比

调整权重后的示例代码：

POST image-index/_search
{
  "query": {
    "match": {
      "title": {
        "query": "mountain lake",
        "boost": 0.5
      }
    }
  },
  "knn": {
    "field": "image-vector",
    "query_vector": [54, 10, -2],
    "k": 5,
    "num_candidates": 50,
    "boost": 2
  },
  "size": 10
}

二、最佳实践 #

直接硬套评分范围或强制压制某类搜索并非最优解，推荐以下做法：

• 加权混合优先：通过boost参数快速调整权重，结合业务场景测试出最优比例（比如给kNN加1.5-3倍权重）
• 评分归一化：如果需要更精细的控制，使用rank的function_score自定义评分公式，将两种评分映射到同一区间后再组合（比如把BM25评分归一到0-1，再和余弦相似度加权相加）
• 业务导向测试：用实际业务数据验证不同权重下的搜索结果，确保符合用户预期，避免为了技术调整牺牲实用性
• 避免极端压制：词项搜索在精准匹配场景下仍有价值，不要完全屏蔽，找到语义匹配与关键词匹配的平衡

自定义评分公式的进阶示例：

POST image-index/_search
{
  "query": {
    "match": {
      "title": "mountain lake"
    }
  },
  "knn": {
    "field": "image-vector",
    "query_vector": [54, 10, -2],
    "k": 5,
    "num_candidates": 50
  },
  "rank": {
    "function_score": {
      "script_score": {
        "script": {
          "source": "(params.knn_score * 3) + (params.query_score / 10)",
          "params": {
            "knn_score": "_score.knn",
            "query_score": "_score.query"
          }
        }
      }
    }
  },
  "size": 10
}

内容的提问来源于stack exchange，提问作者Sazzad