很多用过ElasticSearch的人都知道，es检索的效率相对较好，可以在海量的数据中实现秒级检索，并给出相关的评分。很多小伙伴可能会有疑问，底层实现使用的mysql、tidb、oceanbase等数据库嘛？答案是否定，这些数据库或许可以完成检索，但很难实现评分计算。也有小伙伴疑惑，评分是什么？简单来说，评分是指查询的内容与检索到的文档的相似度

下面让我们 一起来了解一下评分是如何计算的？本文我们先探索一下最简单的相似度计算：余弦相似度算法，

余弦相似度

余弦相似度计算的步骤主要有以下几步：

假设查询语句为q，待匹配的文档为d

对q和d进行分词。处理词条。比如：大小写转换，去除一些“无意义”的词，如：标点符号等词条向量化。取q和d的分词集合并集，作为基础坐标，分别表示向量和向量计算权重。最简单的方式是将词频（分词在分词集合中出现的次数）作为权重根据余弦公式计算余弦值。

余弦函数的取值范围为：[-1,1]。行文本相似度度量时，使用正区间[0,1]，0表示“完全不同”，1表示“完全相同”。

举例

文本1: 我今天去打网球，然后去打橄榄球。

文本2: 我明天去吃火锅，然后去打篮球。

语句分词：文本1: 我 今天 去 打 网球 ， 然后 去 打 橄榄球 。文本2:我 明天 去 吃 火锅 ， 然后 去 打 篮球 。处理词条。去除“无意义”词，比如：标点符号文本1: 我 今天 去 打 网球 然后 去 打 橄榄球文本2:我 明天 去 吃 火锅 然后 去 打 篮球词条向量化使用文本1和文本2的分词集合并集作为分词集合，集合为：我 今天 明天 去 吃 打 然后 网球 橄榄球 篮球 火锅向量化，如果文本中有某个词在分词集合中，则对应位置标记为1

分词集合

我

今天

明天

去

吃

打

然后

网球

橄榄球

篮球

火锅

文本1

1

1

1

1

1

1

1

文本2

1

1

1

1

1

1

1

1

计算权重，此处以分词在文本中出现的次数作为分词的权重，加入权重的向量

分词集合

我

今天

明天

去

吃

打

然后

网球

橄榄球

篮球

火锅

文本1

1

1

2

2

1

1

1

文本2

1

1

2

1

1

1

1

1

计算余弦值

计算结果约为：0.727