作者：刘晓国
当你负责搜索引擎时，不用多说，你应该充分了解有关搜索相关性的尽可能多的详细信息。 虽然大多数人不需要学习每条信息，但需要了解搜索。 你至少应该对 recall （查全率）和 precision （精度）有基本的了解。 本文将重点介绍与搜索相关性的 precision 和 recall。
什么是相关性？
您是否能够找到所需的所有文档？
返回了多少无关的文件？
文件排名如何？
Precision vs. Recall
precsion 和 recall 是搜索相关性的两个基本指标。 给定特定查询和搜索引擎返回的文档集（结果集），这些度量的定义如下：
precision 是结果集中相关文档的百分比。
recall 是结果集中返回的相关文档的百分比。
precision 的定义是检索到的相关文档数除以总计检索到的文档数。 recall 是指检索到的相关文档数除以相关文档总数。
Elasticsearch
的目标是达到最佳 recall，这意味着执行搜索时，仅（和所有）相关文档被检索。 还需要检索尽可能多的相关文档，这意味着你通常需要使用最简单的过滤器和查询来优化 recall。
根据 precision 及 recall 的定义：
上面有几个名字，我们这里来解释一下：
true positive：它表示的是真正的相关的搜索结果
false postive：它表示的是在搜索时返回的不相关的结果
false negative：表示的是在搜索时应该返回的结果，但是没有被正确返回
true negative：表示的是真正完全不相干的结果
我们可以通过上面的计算公式来计算出 precision 及 recall。
提高 precision 和 recall 的技巧
我们在实际的使用中，可以通过如下的方法来提高 Recall 及 Precision：
Recall 可以通过撒大网以获得更多的结果。
我们可以通过 fuzziness，regex，wildcard 以及 should 来提高查询的面以获得更多的结果。但是这样的做法是可能返回一些很多不相干的文档，从而使得 precision 更差
使用 should 从句而不是 must，或者使用 or 而不是 and 可以提高 recall
Precision：我们可以通过更加精准的搜索来提高搜索的精度
比如完全匹配（比如 term query）的方法，或者通过 match_phrase 等方法。这些方法可能造成 recall 很差，因为我们把搜索的范围变小了，从而导致返回的结果很少
使用 must 而不是 should 来提高搜索的精确度
在实际的使用中，有很多的方法可能会提高 precision，也可能会提高 recall。那么我们有没有两全的办法呢？
准确率和查全率之间的权衡：
例子
假如我们现在有如下的几个文档：
POST my_index/_bulk { "index" : { "_id" : "1" }} { "content" : "Elastic Stack is very useful" } { "index" : { "_id" : "2" }} { "content" : "I do not like stack though Elastic is nice" } { "index" : { "_id" : "3" } } { "content" : "Elastic and its stack are good" } { "index" : { "_id" : "4" } } { "content" : "What is stack?" }
假如我们想寻找的是 Elastic Stack 这样的相关的内容。上面的第一条是最相关的，而且第三条也是很相关的。第二条可能不相关，极有可能是谈论完全不相关的内容。第四条也可能不相关。我们进行如下的搜索：
GET my_index/_search { "query": { "match": { "content": "ELastic Stack" } } }
上面的搜索将返回所有的文档，因为在默认的情况下，它返回所有含有 Elastic 及 Stack 的所有文档。
"hits" : [ { "_index" : "my_index", "_type" : "_doc", "_id" : "1", "_score" : 0.5363642, "_source" : { "content" : "Elastic Stack is very useful" } }, { "_index" : "my_index", "_type" : "_doc", "_id" : "3", "_score" : 0.4988708, "_source" : { "content" : "Elastic and its stack are good" } }, { "_index" : "my_index", "_type" : "_doc", "_id" : "2", "_score" : 0.41238922, "_source" : { "content" : "I do not like stack though Elastic is nice" } }, { "_index" : "my_index", "_type" : "_doc", "_id" : "4", "_score" : 0.22667006, "_source" : { "content" : "What is stack?" } } ]
显然这种搜索的 recall 是非常高的。我们可以通过如下的方法来提高精度：
GET my_index/_search { "query": { "match": { "content": { "query": "Elastic Stack", "operator": "and" } } } }
也就是说，必须同时含有 Elastic 及 Stack 的文档才可以被搜索到。显然我们把网缩小了。返回的结果是：
"hits" : [ { "_index" : "my_index", "_type" : "_doc", "_id" : "1", "_score" : 0.5363642, "_source" : { "content" : "Elastic Stack is very useful" } }, { "_index" : "my_index", "_type" : "_doc", "_id" : "3", "_score" : 0.4988708, "_source" : { "content" : "Elastic and its stack are good" } }, { "_index" : "my_index", "_type" : "_doc", "_id" : "2", "_score" : 0.41238922, "_source" : { "content" : "I do not like stack though Elastic is nice" } } ]
对于多个搜索词来说，我们也可以使用如下的方法：
GET my_index/_search { "query": { "match": { "content": { "query": "Elastic Stack Otherword", "minimum_should_match": 2 } } } }
上面表它可以搜索上面三个单词 Elastic，Stack 以及 Otherword 中的两个匹配就可以了，虽然这个搜索也是使用 or 的关系。通过这样的方法，我们可以把网撒的很大，但是也做了一点现在，需要至少匹配两个单词。
这次精度提高了，但是它可能还不是我们所需要的。我们可以看一下 id 为 2 的文档，它极有可能不是我们想要的文档。为了更进一步提高精度，我们可以做如下的搜索：
GET my_index/_search { "query": { "match_phrase": { "content": { "query": "Elastic Stack", "slop": 0 } } } }
上面需要搜索的内容是说，我们想查询按照 Elastic 及 Stack 的顺序来查询，必须是 Elastic 在前，Stack 在后，然后这两个词之前的距离还不能超过2个单词。返回的结果是：
"hits" : [ { "_index" : "my_index", "_type" : "_doc", "_id" : "1", "_score" : 0.4880792, "_source" : { "content" : "Elastic Stack is very useful" } } ]
这次的返回结果显然只有一个，是精度最高的一次搜索。但是我们极有可能漏掉了一些非常相关的文档，比如文档 id 为 3 的文档。这个搜索的缺点是 recall 很低。那么我们在实际的使用该如何在提高 recall 的情况下，同时也提供相关性呢？
依据我们上面的技巧，我们可以做如下的改进：
GET my_index/_search { "query": { "bool": { "must": [ { "match": { "content": "Elastic Stack" } } ], "should": [ { "match_phrase": { "content": { "query": "Elastic Stack", "slop": 2 } } }, { "match": { "content": { "query": "Elastic Stack", "operator": "and" } } } ] } }
在上面，我们通过第一个 match 撒了一张大网，把所有含有 Elastic 及 Stack 的文档都收入搜索的范围，这样提供了 recall。接着我们针对我们自己的业务需求来进行对分数来进行定制。对于 match_phrase 搜索来说，Elastic 以及 Stack 之间不超过两个单词距离的文档进行加分，同时对同时含有两个单词的文档进行加分。这样我们可以保证这些文档排在前面以提供他们的准确性。上面搜索的结果是：
"hits" : [ { "_index" : "my_index", "_type" : "_doc", "_id" : "1", "_score" : 1.6090926, "_source" : { "content" : "Elastic Stack is very useful" } }, { "_index" : "my_index", "_type" : "_doc", "_id" : "3", "_score" : 1.2345327, "_source" : { "content" : "Elastic and its stack are good" } }, { "_index" : "my_index", "_type" : "_doc", "_id" : "2", "_score" : 0.82477844, "_source" : { "content" : "I do not like stack though Elastic is nice" } }, { "_index" : "my_index", "_type" : "_doc", "_id" : "4", "_score" : 0.22667006, "_source" : { "content" : "What is stack?" } } ]
上面显示，文档 1 及 3 具有高的相关性。它们排在搜索结果的前面。
总结
在实际的搜索场景中，我们一定要了解自己的业务搜索场景，并对你的业务场景进行定制自己的搜索。我在搜索的时候既要注意搜索文档的 recall，同时也要考虑搜索的 precision。没有一成不变的规则适用所有的场景。
参考：
【1】https://www.youtube.com/watch?v=CCTgroOcyfM&ab_channel=OfficialElasticCommunity
