模糊性评分

用户喜欢模糊查询。他们认为这种查询会魔法般的找到正确拼写组合。很遗憾，实际效果平平。

假设我们有1000个文档包含 Schwarzenegger ，只是一个文档的出现拼写错误 Schwarzeneger 。根据 term frequency/inverse document frequency 理论，这个拼写错误文档比拼写正确的相关度更高，因为错误拼写出现在更少的文档中！

换句话说，如果我们对待模糊匹配类似其他匹配方法，我们将偏爱错误的拼写超过了正确的拼写，这会让用户抓狂。

TIP: 模糊匹配不应用于参与评分—只能在有拼写错误时扩大匹配项的范围。

默认情况下， match 查询给定所有的模糊匹配的恒定评分为1。这可以满足在结果列表的末尾添加潜在的匹配记录，并且没有干扰非模糊查询的相关性评分。

TIP:在模糊查询最初出现时很少能单独使用。他们更好的作为一个 bigger 场景的部分功能特性，如 search-as-you-type {ref}/search-suggesters-completion.html[完成 建议]或 did-you-mean {ref}/search-suggesters-phrase.html[短语 建议]。