类似and这种逻辑操作符，先过滤出包含指定term的doc
query “hello world” --> 过滤 --> hello / world / hello & world bool --> must/must not/should --> 过滤 --> 包含 / 不包含 / 可能包含 doc --> 不打分数 --> 正或反 true or false --> 为了减少后续要计算的doc的数量，提升性能
2、TF/IDF单个term在doc中的分数
query: hello world --> doc.content doc1: java is my favourite programming language, hello world !!! doc2: hello java, you are very good, oh hello world!!!
hello对doc1的评分
TF: term frequency
找到hello在doc1中出现了几次，1次，会根据出现的次数给个分数 一个term在一个doc中，出现的次数越多，那么最后给的相关度评分就会越高
IDF：inversed document frequency
找到hello在所有的doc中出现的次数，3次 一个term在所有的doc中，出现的次数越多，那么最后给的相关度评分就会越低
length norm
hello搜索的那个field的长度，field长度越长，给的相关度评分越低; field长度越短，给的相关度评分越高
最后，会将hello这个term，对doc1的分数，综合TF，IDF，length norm，计算出来一个综合性的分数
hello world --> doc1 --> hello对doc1的分数，world对doc1的分数 --> 但是最后hello world query要对doc1有一个总的分数 --> vector space model
3、vector space model多个term对一个doc的总分数
搜索hello world --> es会根据hello world在所有doc中的评分情况，计算出一个query vector，query向量
比如hello这个term，给的基于所有doc的一个评分就是2 world这个term，给的基于所有doc的一个评分就是5
[2, 5]
query vector
doc vector，有3个doc，一个包含1个term，一个包含另一个term，一个包含2个term
doc1：包含hello --> [2, 0] doc2：包含world --> [0, 5] doc3：包含hello, world --> [2, 5]
会给每一个doc，拿每个term计算出一个分数来，hello有一个分数，world有一个分数，再拿所有term的分数组成一个doc vector
画在一个图中，取每个doc vector对query vector的弧度，给出每个doc对多个term的总分数
每个doc vector计算出对query vector的弧度，最后基于这个弧度给出一个doc相对于query中多个term的总分数 弧度越大，分数越低; 弧度越小，分数越高
doc3和query vector是合在一起的，这里是为了好区分。
分数 弧度越大，分数越低; 弧度越小，分数越高
doc3和query vector是合在一起的，这里是为了好区分。
如果是多个term，那么就是线性代数来计算，无法用图表示
