elasticsearch-definitive-guide/170_Relevance/60_Decay_functions.asciidoc

[[decay-functions]]
=== 越近越好

很多变量都可以影响用户对于度假屋的选择，((("relevance", "controlling", "using decay functions")))也许用户希望离市中心近点，但如果价格足够便宜，也有可能选择一个更远的住处，也有可能反过来是正确的：愿意为最好的位置付更多的价钱。

如果我们添加过滤器排除所有市中心方圆 1 千米以外的度假屋，或排除所有每晚价格超过 £100 英镑的，我们可能会将用户愿意考虑妥协的那些选择排除在外。

`function_score` 查询会提供一组 _衰减函数（decay functions）_ ，((("function_score query", "decay functions")))((("decay functions")))让我们有能力在两个滑动标准，如地点和价格，之间权衡。

有三种衰减函数—— `linear` 、 `exp` 和 `gauss` （线性、指数和高斯函数），它们可以操作数值、时间以及经纬度地理坐标点这样的字段。((("linear function")))((("exp (exponential) function")))((("gauss (Gaussian) function")))所有三个函数都能接受以下参数：

`origin`::
    _中心点_ 或字段可能的最佳值，落在原点 `origin` 上的文档评分 `_score` 为满分 `1.0` 。

`scale`::
    衰减率，即一个文档从原点 `origin` 下落时，评分 `_score` 改变的速度。（例如，每 £10 欧元或每 100 米）。

`decay`::
    从原点 `origin` 衰减到 `scale` 所得的评分 `_score` ，默认值为 `0.5` 。

`offset`::
    以原点 `origin` 为中心点，为其设置一个非零的偏移量 `offset` 覆盖一个范围，而不只是单个原点。在范围 `-offset <= origin <= +offset` 内的所有评分 `_score` 都是 `1.0` 。

这三个函数的唯一区别就是它们衰减曲线的形状，用图来说明会更为直观（参见 <<img-decay-functions>> ）。

[[img-decay-functions]]
.衰减函数曲线
image::images/elas_1705.png["衰减函数曲线"]

图 <<img-decay-functions>> 中所有曲线的原点 `origin` （即中心点）的值都是 `40` ， `offset` 是 `5` ，也就是在范围 `40 - 5 <= value <= 40 + 5` 内的所有值都会被当作原点 `origin` 处理——所有这些点的评分都是满分 `1.0` 。

在此范围之外，评分开始衰减，衰减率由 `scale` 值（此例中的值为 `5` ）和 衰减值 `decay` （此例中为默认值 `0.5` ）共同决定。结果是所有三个曲线在 `origin +/- (offset + scale)` 处的评分都是 `0.5` ，即点 `30` 和 `50` 处。

`linear` 、 `exp` 和 `gauss` （线性、指数和高斯）函数三者之间的区别在于范围（ `origin +/- (offset + scale)` ）之外的曲线形状：

* `linear` 线性函数是条直线，一旦直线与横轴 0 相交，所有其他值的评分都是 `0.0` 。
* `exp` 指数函数是先剧烈衰减然后变缓。
* `gauss` 高斯函数是钟形的——它的衰减速率是先缓慢，然后变快，最后又放缓。

选择曲线的依据完全由期望评分 `_score` 的衰减速率来决定，即距原点 `origin` 的值。

回到我们的例子：用户希望租一个离伦敦市中心近（ `{ "lat": 51.50, "lon": 0.12}` ）且每晚不超过 £100 英镑的度假屋，而且与距离相比，((("gauss (Gaussian) function", "in function_score query")))我们的用户对价格更为敏感，这样查询可以写成：

[source,json]
----------------------------------
GET /_search
{
  "query": {
    "function_score": {
      "functions": [
        {
          "gauss": {
            "location": { <1>
              "origin": { "lat": 51.5, "lon": 0.12 },
              "offset": "2km",
              "scale":  "3km"
            }
          }
        },
        {
          "gauss": {
            "price": { <2>
              "origin": "50", <3>
              "offset": "50",
              "scale":  "20"
            }
          },
          "weight": 2 <4>
        }
      ]
    }
  }
}
----------------------------------
<1> `location` 字段以地理坐标点 `geo_point` 映射。
<2> `price` 字段是数值。
<3> 参见 <<Understanding-the-price-Clause,理解价格语句>> ，理解 `origin` 为什么是 `50` 而不是 `100` 。
<4> `price` 语句是 `location` 语句权重的两倍。

`location` 语句可以简单理解为：((("location clause, Gaussian function example")))

* 以伦敦市中作为原点 `origin` 。
* 所有距原点 `origin` `2km` 范围内的位置的评分是 `1.0` 。
* 距中心 `5km` （ `offset + scale` ）的位置的评分是 `0.5` 。

[[Understanding-the-price-Clause]]
=== 理解 price 价格语句

`price` 语句使用了一个小技巧：((("price clause (Gaussian function example)")))用户希望选择 £100 英镑以下的度假屋，但是例子中的原点被设置成 £50 英镑，价格不能为负，但肯定是越低越好，所以 £0 到 £100 英镑内的所有价格都认为是比较好的。

如果我们将原点 `origin` 被设置成 £100 英镑，那么低于 £100 英镑的度假屋的评分会变低，与其这样不如将原点 `origin` 和偏移量 `offset` 同时设置成 £50 英镑，这样就能使只有在价格高于 £100 英镑（ `origin + offset` ）时评分才会变低。

[TIP]
==================================================

`weight` 参数可以被用来调整每个语句的贡献度，((("weight parameter (in function_score query)")))权重 `weight` 的默认值是 `1.0` 。这个值会先与每个句子的评分相乘，然后再通过 `score_mode` 的设置方式合并。

==================================================