By signing in, you agree to 古古的後端筆記's terms of service and privacy policy.
By signing in, you agree to 古古的後端筆記's terms of service and privacy policy.
古古
2025/04/22
Elasticsearch 除了可以用來實作一般的全文搜尋之外，如果想要實作「推薦排序」，針對多個維度綜合比較，Elasticsearch 也是支援這類的用法的！
因此這篇文章我們就來介紹一下，要如何透過 Elasticsearch 中的 function_score，來實作自定義排序的結果吧！
補充：如果對 Elasticsearch 不太熟悉，也可以先回頭參考 Elasticsearch 的基本介紹 Elasticsearch 是什麼？認識地表最強的全文搜尋工具！。
所謂的 Elasticsearch，他是一個強大的「全文搜尋」（Full-Text Search）工具，讓我們可以從大量的數據中，快速找到想要的資料在哪裡。
也因為 Elasticsearch 的專長是「全文搜尋」，所以一般通常會將他用來「架設搜尋引擎」，因此像是旅遊攻略、評論、社群貼文、電商產品….等等諸如此類的查詢，背後都很適合使用 Elasticsearch 來實作！
不過，當大家將 Elasticsearch 應用在旅遊攻略、評論、社群貼文…等等的功能實作時，這時候就會遇到一個非常重要的問題，那就是「什麼樣內容的文章應該排在最前面？」，因此「如何調整文章的排序結果」，這就是這週我們要來探討的主題了！
想像一下，假設現在你要實作一個美食地圖的查詢功能，在這個美食地圖中，要提供使用者「距離搜尋」、「關鍵字搜尋」、「依照評價排序」…等相關功能，具體大家可以想像成 Google Map 中的搜尋餐廳或是 Uber Eats 中的尋找餐廳的類似功能。
假設現在使用者查詢了「小籠包」這個關鍵字，並且想要根據「評價由大到小」來排序的話，那這個在 Elasticsearch 中很好實作，就是直接使用 order 來排序就好（邏輯類似於 SQL 中的 ORDER BY）。
又或是使用者查詢了「小籠包」這個關鍵字，並且想要查詢他「方圓 2 公里以內」的所有小籠包餐廳，那這個在 Elasticsearch 中也很好實作，即是使用 geo_point 格式來查詢即可（詳細用法可以參考 Elasticsearch 官網，這裡先不詳細展開介紹）。
但是！！問題來了！！！假設今天使用者選擇了「推薦排序」，那麼作為後端的我們，到底應該是把「評價較優」的店家放在前面，還是要把「距離較近」的店家放在前面呢？這真的是個好問題對吧，畢竟誰都想要排在比較前面的位置，這樣子曝光度會比較高，生意也會比其他店家更好。
所以這時 Elasticsearch 就開始思考，有沒有辦法提供一個「多維度的評分機制」，讓我們可以根據多個維度，來決定這個店家的總分為何呢？ 答案是有的！我們可以透過 Elasticsearch 中的 function_score，對多個維度的值進行權重加總，最終計算出每一個店家的總分，因此就可以實作出「推薦排序」的功能了！
補充：以下內容較為複雜，建議大家對 function_score 有個概念即可，等到後續真正用到時再回來查相關實作細節。
在 Elasticsearch 中，有一個特別的地方，就是他會針對「每一個文件給出一個 _score 的分數」，這個 _score 就是指「該文件的匹配程度」，因此簡單來說，_score 的值越高的文件，他在搜尋的結果就會被排在越前面，這個就是 Elasticsearch 的運作機制。
所以如果我們想要實作一個「多維度的評分機制」，根據店家距離、評價數、價格…等等的多個維度去決定一個店家的總分，那麼就是要透過 function_score 的用法，手動的去改變 Elasticsearch 的 _score 的計算方式，這樣子最終的排序結果，才會是我們期望的「推薦排序」。
舉例來說，一個基本的 function_score 模板如下圖所示：
GET /_search
{
"query": {
"function_score": {
// 主查詢，查詢完後這裡自己會有一個評分，就是 old_score
"query": {.....},
// 這裡可以寫上多個加強函數
// 每一個加強函數會產生一個 boost_score（加強 score），因此有多個 functions 就會有多個 boost_score
"functions": [
{ "field_value_factor": ... },
{ "gauss": ... },
{ "filter": {...}, "weight": ... }
],
// 決定多個 boost_score 們要怎麼合併成一個 total_boost_score
"score_mode": "sum",
// 決定 total_boost_score 怎麼和原始的 old_score 合併
"boost_mode": "sum"
}
}
}
如果拆解一下這個模板的話，基本上就是在 functions 的地方，可以去添加各種不同維度的評分，最終再透過 score_mode 和 boost_mode，將這些不同維度的評分給加總（或是相乘）起來，最終得到每一個店家的總分。
所以以上面的美食地圖的功能為例，我們就可以在主 query 中寫上「小籠包」的查詢，並且在 functions 裡面，寫上我們想要根據「評價數」和「距離」分別去評分，最終再透過 score_mode 和 boost_mode，將這些分數全部加總起來，就是這個店家的最終得分 _score 了。
因此透過 function_score 的用法，我們就可以成功的在 Elasticsearch 中實作出「推薦排序」的功能，進而去針對多個維度，去進行綜合性的比較了！
補充：如果大家想了解更多
function_score的具體實作，也可以參考我之前寫的 function_score 系列文章。
所以總結上述的介紹的話，如果將來我們想要在 Elasticsearch 中實作「推薦排序」這類較為複雜的排序，需要同時針對多個維度的方向來排序時，那麼就可以透過 function_score 的用法，手動的改變 Elasticsearch 中的 _score 的評分機制，最終得到我們想要的排序結果。
並且因為 Elasticsearch 的 function_score 是可以一直往上加的，所以不管是要一個維度、還是要 N 個維度，都可以根據當下的需求來擴展，因此擴展性可以說是非常的高！
不過，也因為 function_score 改變的是「排序的結果」，所以這個其實沒有絕對的對錯，畢竟青菜蘿蔔各有所好，你認為好吃的店家，其他人可能不覺得好吃，所以要如何調出一個「完美的 function_score 參數」，反而才是最困難的部分。
另外也隨著 AI 的興起，使得「推薦排序」的實作不一定要透過 Elasticsearch 來實作，而是可以考慮改成 AI 的演算法來實時運算，透過 AI 取得當下最推薦的排序。但老實說 AI 這部分我還沒有太多的研究，所以可能沒辦法分享相關的資訊給大家。
所以總結來說的話，Elasticsearch 的 function_score 目前是處在一個有那麼一點點尷尬的位置，不過他雖然效果有限，但是至少在過渡期是可以拿來擋一下的，畢竟要引入 AI、要實作更厲害的推薦排序演算法，可能就意味著更多的錢錢投入，在成本的考量之下，或許 function_score 還能算是一個高 cp 值的替代方案吧XD。
這篇文章我們深入了解了 Elasticsearch 的進階用法，了解要如何使用 function_score 實作多維度的推薦排序，如果大家知道什麼更神的推薦排序的演算法實作，也歡迎在底下留言分享～。
如果你對後端技術有興趣的話，也歡迎免費訂閱《古古的後端筆記》電子報，每週二為你送上一篇後端技術分享，那我們就下一篇文章見啦！
補充：我開設的 Spring Boot 零基礎入門、Spring Security 零基礎入門、GitHub 免費架站術 已在 Hahow 平台上架啦！輸入折扣碼「HH202504KU」即可享 85 折優惠。