Elasticsearch为何采用特殊的dot_product评分公式？

为什么不直接使用原始点积作为评分？ #

• Elasticsearch的评分系统需要数值处于可控的非负区间，方便和其他查询（比如bool、match）的评分结合使用。原始点积的范围完全取决于向量的维度和元素取值：如果向量没做归一化，点积可能是极大的正数甚至负数，负数不符合“相关性评分非负”的逻辑，过大的数值也会打乱排序的权重平衡。
• 转换后的公式0.5 + (dot_product(query, vector) / (32768 * dims))把原始点积映射到了以0.5为中心的区间。当点积为0时评分为0.5，点积取最大值时接近1.5，最小值时接近-0.5——但实际场景中向量通常会做归一化处理，最终评分基本落在0到1之间，更符合用户对“相关性越高评分越接近1”的直觉。
• 这种缩放也保证了Elasticsearch内部评分计算的稳定性，避免因超大数值引发的精度问题或性能损耗。

32768的来源是什么？ #

• 32768是2^15，对应int16整数类型的最大绝对值（int16的取值范围是-32768到32767）。
• Elasticsearch的dense_vector支持用int16作为向量元素的存储类型（通过element_type参数配置），当向量以int16量化存储时，元素被限制在-32768到32767的范围内。此时两个int16向量的点积最大值是维度数 × 32767 × 32767，除以32768 × 维度数后，相当于把点积缩放约1/32768，将数值压缩到适合评分的区间。
• 哪怕使用float类型存储向量，这个缩放因子依然沿用了int16的标准，确保不同存储类型下评分计算的一致性。

内容的提问来源于stack exchange，提问作者dendog