Algorithm 不同ElasticSearch相似性算法的简单解释

我正在研究不同的相似性算法，这些算法定义了在搜索过程中如何计算每个文档的分数。以下列出了可用的算法：

我的问题是，在翻阅维基百科文章或LuceneAPI文档中的类描述时，我很难理解它们。我真的很喜欢这里解释TF/IDF相似性算法（ElasticSearch中的默认算法）的答案：（所以我对这个问题有一定的理解）

有没有人能对这里概述的其他算法提供类似的简单解释？这些措施包括：

• bm25相似性
• drf相似性
• ib相似性

---

提前谢谢。

根据链接答案中的描述，您在这里遇到的问题是，Lucene的默认相似性和bm25基本相同，因为它们都考虑到：

• 文档中出现的次数越多越好
• 语料库中较少见的术语优先使用
• 较短的文档更重
• 用于调整分数、提升等的其他功能

dfr

实际上仅包含7个不同的基本模型，每个模型使用不同的评分算法，然后是两个高度可配置的标准化步骤。许多配置选项符合上述非常一般的步骤，有些与之不同

---

类似地，

ib

也允许一些重要的配置，但通常达到相同的高点，即支持更高的术语频率，支持更罕见的术语匹配（根据某些描述），并调整文档长度、提升和其他可能的规范化。

谢谢您的回答。我已经假设他们是相似的。我猜

dfr

和

ib

（与标准TF/IDF相比）的复杂性使得解释它变得更加困难。不过，我仍在寻找更详细的描述。我想知道的是，在ElasticSearch中对数据建模的某些方式是否更适合使用一种或另一种相似性算法。至于Lucene与ElasticSearch对哪种相似性实现更好产生影响，这应该不是问题。使用相同的分析器索引的相同文本在ElasticSearch和raw Lucene中的搜索和得分方式几乎相同。通常，除非您有理由离开默认值，否则应使用默认值。如前所述，BM25可能比Lucene标准更适用于短油田。DFR和IB是非常相似的（文档注意到它们可以在稍后合并），并且提供了许多基于IR理论来考虑的选项。谢谢您的评论。我接受你的回答。