我對lucene評分策略有點困惑。我知道，Lucene的得分公式是這樣的：Lucene評分：queryNorm在什麼情況下使用？
score(q,d) = coord(q,d) x queryNorm(q) X SUM <t_in_q> (tf(t_in_d) x idf(t)^2 x t.getBoost() x norm(t,d))
我理解這個公式中的每個組件除了queryNorm（Q）。正如官方文件解釋，
queryNorm（Q）是用於 查詢可比性之間做出成績歸一化因子。這個因素並不影響文檔排名 （因爲所有排名文檔都乘以相同因子），但 只是試圖使得來自不同查詢的分數（或甚至不同的索引）具有可比性。
爲什麼我需要比較不同查詢之間的分數？換句話說，你可以給一個的例子來顯示在哪個上下文中queryNorm（q）有用嗎？
好問題，我自己想過這個。根據this ScoresAsPercentages argument，嘗試比較不同的查詢或索引分數，甚至在不同的時間在相同的查詢和索引上的分數，這是一個壞主意，我同意。
我的理解是，儘管queryNorm確實不會使它們嚴格可比，但它確實有幫助。與缺省queryNorm相比，它們更接近於沒有。
我想它也可以讓人們編寫自己的相似度，並使用這個調用來創建規範化的，可比較的分數，使用在他們的特定情況下工作的算法。
已有一些discussion on dropping it，您可能會感興趣。
我知道問題是舊的，但我有一個類似的問題。 queryNorm在所有搜索結果中不相同的原因是文檔可能位於不同的分片中，並且queryNorm只在同一分片內保持不變。
從我的理解這個問題可以通過兩種方式來解決：
自然，當有大量的數據
設置碎片的數量爲1職高這有後果表演。
{ 「設置」：{ 「number_of_shards」：1}}
見http://www.elasticsearch.org/guide/en/elasticsearch/guide/current/relevance-is-broken.html
這是一個有趣的線索。我仍然在爲普通用戶提供對queryNorm更多控制的工作，這對搜索工作沒有任何壞處。但是，因爲它是以重量計算的，所以擔心的計算成本很小。 – Denzel
所以回到我的問題，跨越查詢比較分數似乎更多地在機器學習人員，如文檔聚類，並很少出現在常見的搜索工作，對嗎？ – Denzel
有策略可以使查詢具有可比性，而不必去機器學習（例如，參見[餘弦相似度]（http://en.wikipedia.org/wiki/Cosine_similarity））。在Lucene中，它是可以避免的。用於比較不同查詢之間分數的解決方案是重新考慮您的要求。 – femtoRgon