Elasticsearch实现相似用户喜欢的地点优先排序问题

没问题，我来帮你搞定这个Elasticsearch的查询需求。首先明确说：你的当前数据模型完全能支持这个功能，只需要调整评分逻辑，结合跨索引关联就能实现。下面一步步给你讲清楚：

你的现有索引设计完全适配需求：

• users索引的likes和seen是keyword类型，完美支持Elasticsearch的terms lookup跨索引关联功能，能轻松拉取用户的浏览/点赞记录，以及相似用户的点赞数据。
• places索引的geo_point类型也能精准满足地理位置过滤的要求。

核心思路是在function_score中添加加权规则：给相似用户点赞过的地点赋予更高分数，同时保留原有的过滤条件（未浏览/未点赞+地理位置范围）。

优化后的查询语句 #

POST /places/_search
{
  "_source": ["id"],
  "size": 10,
  "query": {
    "function_score": {
      "query": {
        "bool": {
          "must_not": [
            // 排除当前用户已浏览的地点
            {
              "terms": {
                "_id": {
                  "index": "users",
                  "id": "vu0E1rjJEqcgyfj29fwZ",
                  "path": "seen"
                }
              }
            },
            // 排除当前用户已点赞的地点
            {
              "terms": {
                "_id": {
                  "index": "users",
                  "id": "vu0E1rjJEqcgyfj29fwZ",
                  "path": "likes"
                }
              }
            }
          ],
          "filter": {
            "geo_distance": {
              "distance": "200km",
              "location": {
                "lat": 52,
                "lon": 13
              }
            }
          }
        }
      },
      "functions": [
        // 加权规则1：相似用户点赞的地点，大幅提升权重
        {
          "filter": {
            "terms": {
              "_id": {
                // 第一步：获取当前用户的喜好标签（likes）
                "index": "users",
                "id": "vu0E1rjJEqcgyfj29fwZ",
                "path": "likes",
                // 第二步：用这些标签找到有共同喜好的相似用户（排除自己）
                "lookup": {
                  "index": "users",
                  "path": "likes",
                  "filter": {
                    "bool": {
                      "must_not": [
                        {"term": {"_id": "vu0E1rjJEqcgyfj29fwZ"}}
                      ]
                    }
                  }
                }
              }
            }
          },
          "weight": 10 // 给这类地点加10倍权重，确保优先展示
        },
        // 可选优化：距离当前位置越近，分数越高（让结果更贴合实际场景）
        {
          "gauss": {
            "location": {
              "origin": {"lat": 52, "lon": 13},
              "scale": "200km"
            }
          }
        }
      ],
      "boost_mode": "sum", // 将基础查询分数与各加权函数的分数相加
      "score_mode": "sum" // 多个加权函数的分数也累加计算
    }
  }
}

关键逻辑拆解 #

1. 过滤逻辑保留：原有的must_not排除用户已浏览/点赞的地点，geo_distance锁定地理位置范围，这部分完全保留你的初始需求。
2. 相似用户关联：通过嵌套的terms lookup实现跨索引联动：
   • 先从users索引拉取当前用户的likes列表；
   • 再用这个列表筛选出有共同喜好的其他用户（排除当前用户自己）；
   • 最后获取这些相似用户的likes列表，匹配places的_id（如果你的地点用自定义id字段，记得把所有"_id"替换为"id"）。
3. 加权策略：给相似用户点赞的地点设置weight:10的高权重，确保这类地点排在结果最前面；可选的地理位置加权则让距离更近的地点也能获得额外分数，让结果更合理。
4. 分数计算：用boost_mode: sum把基础查询分和加权分相加，保证最终排序的公平性。

额外实用建议 #

• 如果你的地点ID不是Elasticsearch原生的_id，而是自定义的id字段，一定要替换查询中所有的"_id"为"id"，否则会匹配错误。
• 若相似用户数量较多，他们的likes列表可能超过默认的100条限制，可以在terms查询中添加"size": 1000（或更大值）来调整返回的terms数量。
• 如果需要更精准的相似用户定义（比如要求至少有2个共同喜好），可以先通过聚合查询筛选出符合条件的相似用户ID，再用这些ID去获取他们的likes列表，不过对于新手来说，上面的方案已经足够满足需求。

内容的提问来源于stack exchange，提问作者user3517658