一、使用 Script score 结合用户画像和点击行为评分
ES 的 script_score 查询是一项强大的高级功能，在文本搜索场景深受 ES 开发者喜爱，它允许你使用脚本来自定义文档的评分计算方式，可以结合文本相关性与业务指标来实现复杂的排序逻辑，例如你可以结合用户画像和点击行为数据来更好地优化排序，以实现更精准的搜索和推荐，这给我们的业务实现带来了很大的灵活性和实用性。
GET /_search{ "query": { "function_score": { "query": { "match": { "message": "elasticsearch" } }, "script_score": { "script": { "source": "Math.log(2 + doc['my-int'].value)" } } } }}
二、谨慎将 script_score 用于向量暴力搜索
但是当我们把 script_score 用于向量搜索时（参阅这里），它将执行暴力扫描（即使你在索引 mapping 中将索引类型设置为 hnsw），而不是你在索引设置中定义的近似 KNN 搜索，脚本会对范围内的每一个文档，读取其存储的 title_vector 字段值，并调用内置的向量函数（如 cosineSimilarity）与传入的查询向量参数进行计算，向量搜索性能会急剧下降，因此，除非在小数据集 (<10万) 或必须精确的场景，我们一般不建议将 script_score 用于向量搜索。
GET my-index/_search{ "query": { "script_score": { "query" : { "bool" : { "filter" : { "term" : { "status" : "published" } } } }, "script": { // 调用内置函数计算余弦相似度 // title_vector 是文档中的向量 // params.query_vector 是外部传入的查询向量 // + 1.0 是为了保证得分为正数（余弦相似度范围是 -1 到 1） "source": "cosineSimilarity(params.query_vector, 'title_vector') + 1.0", "params": { "query_vector": [4, 3.4, -0.2] } } } }}