排序和相关性
kumosearch 使用一个简单的排序算法对搜索结果进行排名，该算法基于以下一项或多项：
- 文本匹配分数，作为一个特殊的
_text_match字段公开。 - 用户定义的索引数字字段（例如：流行度、评级、分数等）。
- 用户定义的索引字符串字段（例如：名称）。
- 属性值匹配的条件（例如：提升所有类别为鞋的记录）。
[[toc]]
文本匹配分数
文本匹配分数基于以下指标计算：
- 频率：搜索查询和文本字段之间相同的tokens数量。包含更多相同tokens的文档排名更高。
- 距离：如果某个查询token未找到，则检查与该查询token距离为 num_typos 的token。距离较小的文档排名更高。
- 邻近性：查询tokens连续出现或间隔出现。查询tokens邻近出现的文档排名更高。
query_by字段的排序：与query_by字段列表中靠前的字段匹配的文档更相关。query_by_weights字段中的权重：与权重较高的字段匹配的文档更相关。
基于上述指标，kumosearch 计算 _text_match 分数，用于根据文本相关性对文档进行排名。
并列排名
在某些情况下，许多文档可能均包含搜索查询中的精确token，它们的 _text_match 分数相同。此时可以使用用户定义的索引数字和字符串字段来解决并列排名。最多可以指定两个此类用户定义字段用于排名。
例如，假设我们搜索 短篇小说，如果有多本书包含这些确切的查询词，所有这些文档都有相同的文本匹配分数。
为了解决并列排名，我们可以指定最多两个额外的 sort_by 字段。例如：
sort_by=_text_match:desc,average_rating:desc,publication_year:desc
这将按以下顺序对结果进行排序：
- 所有匹配记录按文本匹配分数排序。
- 如果有两个文档的文本匹配分数相同，则按平均评分排序。
- 如果仍然存在并列排名，则按出版年份排序。
默认排名顺序
如果未在搜索请求中提供 sort_by 参数，文档会首先根据 _text_match 分数排序，其次是索引表schema中指定的默认排序字段值，最后是文档插入顺序：
sort_by=_text_match:desc,default_sorting_field:desc,document_insertion_order:desc
严格排序或硬排序
如果您希望严格按照索引数字或字符串字段（如 价格、名称 等）对文档进行排序，可以将文本匹配分数标准移至末尾，如下所示：
sort_by=price:desc,_text_match:desc
基于相关性和受欢迎度排名
如果文档有受欢迎度得分，则可以：
- 在应用中使用您选择的公式来计算。
- 使用kumosearch中的分析规则来计算。
可以让 kumosearch 将您的自定义分数与其计算的文本相关性分数相混合，使更受欢 迎的结果（由您的自定义分数定义）排名更高。
实现此目的的搜索参数为：
sort_by=_text_match(buckets: 10):desc,weighted_score:desc
其中 weighted_score 是文档中包含自定义分数的字段。
这将进行以下操作：
- 获取所有与查询匹配的结果。
- 按文本相关性排序（文本匹配分数降序 desc）。
- 将结果分为大小相等的 10 个桶（第一个桶包含最相关的结果）。
- 强制每个桶内的所有结果都与
_text_match分数相匹配，具有相同的文本匹配分数。 - 这将使每个桶内出现并列排名，然后根据
weighted_score打破并列排名并对每个桶内的结果重新排名。
存储桶的数量越多，根据加权分数重新排名的粒度就越细。例如，如果有 100 个结果，使用 buckets: 50，则每个桶将包含 2 个结果，桶内结果会根据 weighted_score 重 新排名。
基于相关性和时效性排名
一个常见的需求是将最近发布的结果排名靠前。
要实现这一点，需要将文档发布的 Unix 时间戳存储为 int64 类型的字段（例如：published_at_timestamp）。
要根据文本相关性和时效性进行排序，可以使用以下 sort_by 参数：
{
"sort_by": "_text_match(buckets: 10):desc,published_at_timestamp:desc"
}
这将进行以下操作：
- 获取所有与查询匹配的结果。
- 根据文本相关性排序（文本匹配分数降序 desc）。
- 将结果分为大小相等的 10 个桶（第一个桶包含最相关的结果）。
- 强制每个桶内的所有结果具有相同的
_text_match分数。即，第一个桶中的所有结果都具有相同的文本匹配分数，第二个桶中的结果也相同，以此类推。 - 这将使每个桶内的结果出现并列排名，然后使用
published_at_timestamp来打破并列并重新排名每个桶内的结果。
桶的数量越多，根据加权分数重新排名的粒度越细。例如，如果有 100 个结果，设置 buckets: 50，每个桶将包含 2 个结果，桶内结构会根据 published_at_timestamp 重新排名。
对精确匹配排名
默认情况下，如果搜索查询逐字匹配特定字段值，kumosearch 会将该文档视为最相关并优先排序。
如果不希望这种行为，可以在搜索参数时设置 prioritize_exact_match=false 来关闭此功能。
根据条件排名
您可以使用特 殊的 _eval(<表达式>) 操作作为 sort_by 参数，根据表达式计算结果为 true 或 false 对文档进行排名。
_eval() 内表达式的语法与filter_by参数相同，所以也称为 可选过滤。
例如：
{
"sort_by": "_eval(in_stock:true):desc,popularity:desc"
}
这将使 in_stock 设置为 true 的文档排名第一，其次是 in_stock 设置为 false 的文档。
提升或降级记录
可以为符合特定过滤条件的记录提供自定义分数，而不仅仅是按 真/假 值排序。
例如，如果有一个 鞋子 系列，并且希望将所有 耐克 鞋子排在 阿迪达斯 鞋子之前，可以这样做：
{
"sort_by": "_eval([ (brand:Nike):3, (brand:Adidas):2 ]):desc"
}
_eval 中可以包含多个表达式，每个表达式都可以像标准 filter_by 表达式一样复杂。
提升或隐藏结果
可以选择按 ID 固定或隐藏特定记录在特定排名位置：
- 基于搜索查询，可进行策略（又名 Curation）设置。
- 动态使用pinned_hits 和 hidden_hits搜索参数。
例如：如果有人搜索 电话，可以设置一个策略，将具有优惠价格的特定产品固定在位置 1。
固定结果的另一个常见用例是电子商务中的营销，商家（或自定义 ML 模型）可能想要策划应彼此相邻出现的确切产品。根据用户正在查看的类别页面，可以使用 pinned_hits 参数定义哪些记录应显示在该页面的哪个位置。
如果在 CMS 系统中维护 Category Page -> pinned_hits 映射，则可以让内部用户修改它，并让应用程序在呈现特定类别页面时下拉此映射。
调整错字容忍度
kumosearch 开箱即用地自动为您处理拼写错误。但在某些 用例中，您可能需要关闭拼写错误容忍或调整其灵敏度（例如：零件号、电话号码）
要完全关闭拼写错误容忍度，请在搜索时设置 num_typos=0 和 typo_tokens_threshold=0 。
您还可以根据需要将这些值设置得更高，以调整拼写错误容错灵敏度。要根据字长控制拼写错误容忍度，可以使用 min_len_1typo 和 min_len_2typo拼写错误参数。
也可以通过为 num_typos 指定多个逗号分隔值来调整各个字段的拼写错误容忍度。例如：如果您有 query_by=name,phone_number,zip_code，且不希望 phone_number 或 zip_code 上有拼写错误，则可以设置 num_typos=2,0,0。
处理没有结果
在某些用例中，如果用户的搜索词与任何文档都不匹配，且您不希望向用户显示 未找到结果。
此时，可以让 kumosearch 自动从用户的搜索查询中删除单词/token，一次一个，然后重复搜索以显示接近用户原始查询的结果。
此行为由 drop_tokens_threshold 搜索参数控制，默认值为 1。这意味着，如果搜索查询仅返回 1 或 0 个结果，kumosearch 将开始删除搜索关键字并重复搜索，直到找到至少 1 个结果。
要关闭此行为，请设置 drop_tokens_threshold=0。