基礎排序即是海選，從檢索結果中快速找到品質高的文檔，取出TOP N個結果再按照業務排序進行精細算分，最終返回最優的結果給使用者。由此可見，基礎排序對效能影響比較大，業務排序對最終排序效果影響比較大。因此，基礎排序要求盡量簡單有效，只提取業務排序中的關鍵因子即可。同時，基礎排序與業務排序目前均通過排序運算式的方式進行配置。下文將介紹基礎排序中支援的排序特徵函數項。
排序特徵函數項
static_bm25 : 靜態文本相關性，用于衡量query與文檔的匹配度
詳細用法static_bm25
參數無
傳回值float，範圍為[0,1]
適用情境1：在基礎排序的運算式中指定文本分；運算式中設定：static_bm25()
注意事項
預設基礎排序default中即會生效static_bm25()
static_bm25()得分超過1的情況：
如果使用者查詢時同時配置了查詢分析，比如同義字，預設的查詢是query=index:'蘋果'，配置同義字之後的查詢是query=index:'蘋果' OR index:'apple'） 那麼如果有文檔內容同時命中了蘋果和apple，此時static_bm25()的得分會被累加，即最後的基礎排序分將大於1
exact_match_boost ：擷取查詢中使用者指定的查詢詞權重最大值
參數無
傳回值int，範圍為[0, 99]
適用情境：查詢為query=default:’OpenSearch’^60 OR default:’opensearch’^50，希望按照實際匹配詞boost權重來排序。如果文檔A包含“OpenSearch”，文檔B包含“opensearch”，則文檔A排到文檔B前面。基礎排序運算式為：exact_match_boost()
注意事項
函數參數依賴欄位需建立為索引
如果對於沒有指定boost的查詢詞預設boost值為99。
獨享型應用，exact_match_boost函數配置在基礎排序中，可支援 [‘’, ‘sum’, ‘max’]三種參數配置：
timeliness : 時效分，用于衡量文檔的新舊程度
詳細用法timeliness(pubtime)，timeliness
參數pubtime：要評估的欄位，類型必須為int，單位為秒。
傳回值float，範圍為[0,1]，值越大表示時效性越好。若大於目前時間則返回0。
適用情境：在基礎排序中指定create_timestamp欄位的時效性；運算式中設定：timeliness(create_timestamp)
注意事項
pubtime欄位必須配置為屬性欄位。
timeliness_ms : 時效分，用于衡量文檔的新舊程度
詳細用法timeliness_ms(pubtime)，timeliness_ms
參數pubtime：要評估的欄位，類型必須為int，單位為毫秒。
傳回值float，範圍為[0,1]，值越大表示時效性越好。若大於目前時間則返回0。
適用情境：在基礎排序中指定create_timestamp欄位的時效性；運算式中設定：timeliness_ms(create_timestamp)
注意事項
pubtime欄位必須配置為屬性欄位。
normalize ：歸一化函數，根據不同的算分將數值歸一化至[0, 1]
情境概述相關性計算過程中，一篇doc的好壞需要從不同的維度衡量。而各個維度分數範圍可能不同，比如網頁點擊數可能是成百上千萬，網頁的文本相關性分數在[0, 1]之間，它們之間沒有可比性。為了在公式中使用這些元素，需要將不同的分數歸一化至同一個範圍區間，而normalize為這種歸一化提供了一種簡便的方法。normlize支援三種歸一化方法：線性函數轉化、對數函數轉化、反正切函數轉化。根據傳入參數的不同，normalize自動選擇不同的歸一化方法。如果只指定value參數，normalize使用反正切函數轉化，如果指定了value和max參數，normalize使用對數函數轉化，如果指定了value、max和min，normalize使用線性函數轉化。
詳細用法：normalize(value, max, min)，normalize
參數value：需要做歸一化的值，支援double類型的浮點數，該值可以來自文檔中的欄位或者其他運算式max：value的最大值，可選，支援double類型的浮點數min：value的最小值，可選，支援double類型的浮點數
傳回值double，[0, 1]之間的值。
適用情境1：對price欄位做歸一化，但是不知道price的範圍，可以使用如下公式進行歸一化normalize(price)
情境2：對price欄位做歸一化，但是只知道price的最大值為100，可以使用如下公式進行歸一化normalize(price, 100)
情境3：對price欄位做歸一化，並且知道price的最大值為100，最小值為1，可以使用如下公式進行歸一化normalize(price, 100, 1)
情境4：將distance函數的結果歸一化至[0, 1]normalize(distance(longitude_in_doc, latitude_in_doc, longtitude_in_query, latitude_in_query))
注意事項：
函數參數需建立為屬性
使用反正切函數進行歸一化時，如果value小於0，歸一化後的值為0
使用對數函數進行歸一化時，max的值要大於1
使用線性函數進行歸一化時，max要大於min