算法推荐要达到不错的效果，需要解决好这四类特征：相关性特征、环境特征、热度特征和协同特征。
现在一般使用 ES的 function_score 实现这里的逻辑。
-
现有的逻辑是先排序 相关度(这里的相关度是经过粗化的结果)， 然后将热度作为二级排序。(这里的相关度粗化不好控制，需要不断调试)
一个实现：https://github.com/muhao1020/multistep_score -
通过一个综合函数，将 相关度和 热度指标结合起来，成一个评分，然后通过此评分排序。(这种方式比难构造，并且极端值特别影响结果)
-
如果有多个热度指标如何展示热度值？(模型构建人为因素太多了)
如果有一个热度指标，仅看一个文档的指标(比如 查看数)是没有意义的，需要从整体 上看，将指标绝对值变成一个结合全局得出一个热度的指标。
仿照之前的同义词查询，完全也可以搞一个热词库，就是当前的新闻热词，在查询时如果分词匹配上了当前的热词，那么给这个热词加一个比较高的评分。热词库需要实时性更新。(这里的更新需要使用一种更新机制，或自动发现当前阶段的新闻热词，随着时间的衰减不断变化，在搜索的时候改变权重)
同时热词库又分为 查询热词库 、和内容热词库，具体方式是 查询热词库，保存一个用户查询分词的记录，可以利用redis 实现；内容热词需要热词库维护人员主动去发现当前的热点事件、新闻 热词，加入其中，同样也是查询匹配上的话，给一个较大的权重。
function_score写的不错的博客：
https://blog.csdn.net/weixin_40341116/article/details/80913045
在使用ES进行全文搜索时，搜索结果默认会以文档的相关度进行排序，而这个 “文档的相关度”，是可以透过 function_score 自己定义的，也就是说我们可以透过使用function_score，来控制 “怎麽样的文档相关度更高” 这件事
function_score是专门用于处理文档_score的DSL，它允许爲每个主查询query匹配的文档应用加强函数， 以达到改变原始查询评分 score的目的
function_score会在主查询query结束后对每一个匹配的文档进行一系列的重打分操作，能够对多个字段一起进行综合评估，且能够使用 filter 将结果划分爲多个子集 (每个特性一个filter)，并爲每个子集使用不同的加强函数
