原生的ES打分基于BM25算法，相比于TF-IDF已经有了较大的改进，但是在实际场景中往往最终的排序效果还是需要进行调整。由于直接修改索引的权重往往代价较大，比较经济的方式还是在查询时即时修改得分以实现排序控制。
注：案例测试数据详见：ElasticSearch中使用bge-large-zh-v1.5进行向量检索（一）-CSDN博客 中的第三部分。
场景一：negative_boost
适用场景：想降低某些关键词的检索权重，但这些文档往往又包含我们想命中的关键词，直接去掉也不合适，只能把排名降低。
例如，针对以下case，我们想搜包含“新疆”的文档：
GET article/_search
{
"query": {
"match": {
"title": "新疆"
}
}
}直出的结果为：
编号002的在003前面。
假设我们的需求是想让出现“中欧”关键词的文档相关度降低，则可以使用negative_boost：
GET article/_search
{
"query": {
"boosting": {
"positive": {
"match": {
"title": "新疆"
}
},
"negative": {
"match": {
"title": "中欧"
}
},
"negative_boost": 0.5
}
}
}效果：
调整后编号003的在002的前面，因为标题包含“中欧”的文档的分值乘以了negative_boost（0.5）后被降低了。
场景二：script_score
适用场景：利用索引数据中既有的一些数值字段细粒度控制打分函数。有些索引中本来就有可以用来排名的字段（比如点赞数，阅读数，评论数等等）。
还是上文的案例，默认情况下搜“新疆”，文档002在003之前，但很明显，文档003的阅读量（readNumber）更高，我们想让其排在前面。可以使用如下的查询：
GET article/_search
{
"query": {
"function_score": {
"query": {
"match": {
"title": "新疆"
}
},
"script_score": {
"script": {
"source": "_score * (doc['readNumber'].value)"
}
}
}
}
}注意script_score要写在function_score里，其中_score * (doc['readNumber'].value)的意思是：将原始的打分乘以readNumber（阅读量）字段的值作为最终的打分。
最终效果如下：
场景三：field_value_factor
适用场景：和script_score类似，更注重打分平滑性。
还是上文的案例，默认情况下搜“新疆”，文档002在003之前，但很明显，文档003的阅读量（readNumber）更高，我们想让其排在前面。可以使用如下的查询：
GET article/_search
{
"query": {
"function_score": {
"query": {
"match": {
"title": "新疆"
}
},
"field_value_factor": {
"field": "readNumber",
"modifier": "log1p",
"factor": 2,
"missing": 1
},
"boost_mode": "multiply"
}
}
}field_value_factor的含义：
field：待计算的字段
modifier：打分函数
factor：field计算时乘以的因子
missing：缺失值
boost_mode：和原始打分_score的结合方式。分 sum / avg / multiply / max / min / replace
上述语句的含义等于：
新分数=原分数 * log(1 + 2 * readNumber)
效果如下：
优势是得分相对比较光滑，比较接近。
