基础排序即是海选，从检索结果中快速找到质量高的文档，取出TOP N个结果再按照业务排序进行精细算分，最终返回最优的结果给用户。由此可见，基础排序对性能影响比较大，业务排序对最终排序效果影响比较大。因此，基础排序要求尽量简单有效，只提取业务排序中的关键因子即可。同时，基础排序与业务排序目前均通过排序表达式的方式进行配置。
下文将介绍基础排序中支持的排序特征函数项，以及流程演示。

排序特征函数项

static_bm25 : 静态文本相关性，用于衡量query与文档的匹配度

1. 详细用法
   static_bm25()
   
2. 参数
   无
   
3. 返回值
   float，值域为[0,1]
   
4. 适用场景
   场景1：在基础排序的表达式中指定文本分；
   表达式中设置：static_bm25()
5. 注意事项
   • 默认基础排序default中即会生效static_bm25()

exact_match_boost ：获取查询中用户指定的查询词权重最大值

1. 详细用法
   exact_match_boost()
   
2. 参数
   无
   
3. 返回值
   int，值域为[0, 99]
   
4. 适用场景
   场景1：查询为query=default:’开放搜索’^60 OR default:’opensearch’^50，希望按照实际匹配词boost权重来排序。如如果文档A包含“开放搜索”，文档B包含“opensearch”，则文档A排到文档B前面。
   基础排序表达式为：exact_match_boost()
5. 注意事项
   • 函数参数依赖字段需创建为索引
   • 如果对于没有指定boost的查询词默认boost值为99。
   • 独享型应用，exact_match_boost函数配置在基础排序中，可支持 [‘’, ‘sum’, ‘max’]三种参数配置：

timeliness : 时效分，用于衡量文档的新旧程度

1. 详细用法
   timeliness(pubtime)
   
2. 参数
   pubtime：要评估的字段，类型必须为int，单位为秒。
   
3. 返回值
   float，值域为[0,1]，值越大表示时效性越好。若大于当前时间则返回0。
   
4. 适用场景
   场景1：在基础排序中指定create_timestamp字段的时效性；
   表达式中设置：timeliness(create_timestamp)
5. 注意事项
   • pubtime字段必须配置为属性字段。

timeliness_ms : 时效分，用于衡量文档的新旧程度

1. 详细用法
   timeliness_ms(pubtime)
   
2. 参数
   pubtime：要评估的字段，类型必须为int，单位为毫秒。
   
3. 返回值
   float，值域为[0,1]，值越大表示时效性越好。若大于当前时间则返回0。
   
4. 适用场景
   场景1：在基础排序中指定create_timestamp字段的时效性；
   表达式中设置：timeliness_ms(create_timestamp)
5. 注意事项
   • pubtime字段必须配置为属性字段。

normalize ：归一化函数，根据不同的算分将数值归一化至[0, 1]

1. 场景概述
   相关性计算过程中，一篇doc的好坏需要从不同的维度衡量。而各个维度的分数值域可能不同，比如网页点击数可能是成百上千万，网页的文本相关性分数在[0, 1]之间，它们之间没有可比性。为了在公式中使用这些元素，需要将不同的分数归一化至同一个值域区间，而normalize为这种归一化提供了一种简便的方法。normlize支持三种归一化方法：线性函数转化、对数函数转化、反正切函数转化。根据传入参数的不同，normalize自动选择不同的归一化方法。如果只指定value参数，normalize使用反正切函数转化，如果指定了value和max参数，normalize使用对数函数转化，如果指定了value、max和min，normalize使用线性函数转化。
   
2. 详细用法：
   normalize(value, max, min)
   
3. 参数
   value：需要做归一化的值，支持double类型的浮点数，该值可以来自文档中的字段或者其他表达式
   max：value的最大值，可选，支持double类型的浮点数
   min：value的最小值，可选，支持double类型的浮点数
   
4. 返回值
   double，[0, 1]之间的值。
   
5. 适用场景
   场景1：对price字段做归一化，但是不知道price的值域，可以使用如下公式进行归一化
   normalize(price)
   场景2：对price字段做归一化，但是只知道price的最大值为100，可以使用如下公式进行归一化
   normalize(price, 100)
   场景3：对price字段做归一化，并且知道price的最大值为100，最小值为1，可以使用如下公式进行归一化
   normalize(price, 100, 1)
   场景4：将distance函数的结果归一化至[0, 1]
   normalize(distance(longitude_in_doc, latitude_in_doc, longtitude_in_query, latitude_in_query))
   
6. 注意事项：
   • 函数参数需创建为属性
   • 使用反正切函数进行归一化时，如果value小于0，归一化后的值为0
   • 使用对数函数进行归一化时，max的值要大于1
   • 使用线性函数进行归一化时，max要大于min

category_score：类目预测函数，返回参数中指定的类目字段与类目预测query的类目匹配分

1. 详细用法

   category_score(cate_id)

2. 参数

   cate_id：训练时作为类目id的字段，类型必须为int。

3. 返回值
   float，值域为[0,2]。

4. 适用场景
   场景1：在基础排序中指定create_timestamp字段的时效性；
   表达式中设置：category_score(cate_id)
5. 注意事项
   • 需要与类目预测算法功能配合使用