相关分(Relevance score)算法
Elasticsearch中的相关性是通过一个浮点的数值_score来显示的，这个_score的值越大，就表示相关性越高。那这个_score的值是如何计算的呢？
Elasticsearch采取的是TF/IDF算法来评估score的，而score决定了排序。每次搜索score分数越大的越靠前。
TF/IDF
1、TF
Term Frequency简称TF，就是搜索文本中的各个词条在要搜索的field文本中出现的次数，次数越多就越相关。
举例：
doc1：hello world，I love you
doc2：hello，I love you，too
搜索：hello world，es首先会进行分词建立倒排索引，分词成：hello和world两个单词。 发现doc1匹配了两次，doc2中只匹配了一次（hello），所以doc1的score最大，优先被匹配，会排到doc2前面。
2、IDF
Inverse Document Frequency简称IDF，就是搜索文本中的各个词条在整个index的所有document中出现的次数，出现的次数越多，越不相关。
举例：
doc1：hello，love you
doc2：hi world，I love you
搜索hello world，es分词器会将其分词成hello和world两个单词
首先hello和world在doc1和doc2中各出现了一次，其次再比如说index有10000条document，hello这个词在10000个document中出现了2000次。world这个词在10000个document中出现了100次。那么doc2更相关，因为它的次数出现的少。
3、Field-Length Norm
搜索的field对应的内容越长，相关度越弱。
举例：
doc1：{ "title": "hello java", "content": "xxxxxxxxxx1万个单词" }
doc2：{ "title": "Hi java", "content": "xxxxxxxxxx1万个单词，Hi world" }
搜索hello world，es分词器会将其分词成hello和world两个单词
首先hello和world在doc1和doc2中各出现了一次，其次假设在整个index中出现的次数也是一样多的（不像IDF那个案例中那么明显的不一致），则doc1更相关。因为title的内容比content的内容短太多了（短了一万多个单词）。所以doc1会排到doc2前面。
BM25
Elasticsearch 5 之前的版本，评分机制或者打分模型基于 TF-IDF 实现。
从 Elasticsearch 5 开始，Elasticsearch 的默认相似度算法是 Okapi BM25，Okapi BM25模型于 1994 年提出，BM25 的 BM 是缩写自 Best Match, 25 是经过 25 次迭代调整之后得出的算法，该模型也是基于 TF/IDF 进化来的，Okapi 信息检索系统是第一个实现此功能的系统，之后被广泛应用在不同系统里。
Okapi BM25 模型的计算公式如下：
这里就不研究这个公式来自虐，我们记住BM25 是对 TF-IDF 算法的改进就OK了