这是协调因素。

• 如果coord factor被启用（默认为“disable_coord”：false），那么它意味着：* 如果我们在文本中有更多的搜索关键字，那么这个结果将更相关，并将获得更高的分数 *。
• 如果coord factor被禁用（“disable_coord”：true），那么它意味着：* 无论我们在搜索文本中有多少关键字，它都只被计算一次。*

更多细节你可以在这里找到。

如果bool查询中有N子查询具有相同的提升/权重，则disable_coord=true将遵循下一个逻辑...
假设：

• 所有子查询具有相同的提升和权重。
• N--子查询的总数。
• n--匹配的子查询数。

当n子查询匹配时：总得分将与匹配查询的提升/权重之和成比例。因为我们现在假设权重/提升相等，这将是：Sn = n*const。
当所有子查询都匹配时（n=N）：Smax = N*const
部分匹配与完全匹配相比将为part_of_max = Sn / Smax = (n*const) / (N*const) = n/N
例如，如果你有3个子查询：

• 所有子查询匹配：总分将为Smax
• 2个子查询匹配：总分为Smax的part_2 = 2/3=0.66（66%）。
• 1个子查询匹配：总分为Smax的part_1 = 1/3=0.33（33%）

让我们将其与启用协调时的评分进行比较（elasticsearch的默认行为）。长话短说：“部分”匹配的评分比完全匹配的评分要差得多。
近似得分将与匹配子查询的权重/提升之和乘以n/N成正比。如果提升/权重相等，则总得分将与Sn₂ = n*n/N * const = n²/N * const成正比
当所有子查询都匹配时（n=N）：Smax₂ = N*(N/N)*const = N * const
部分匹配与完全匹配相比将为part_of_max₂ = Sn₂ / Smax₂ = (n²/N * const) / (N * const) = n²/N²
例如，如果你有3个子查询：

• 所有子查询匹配：总得分将为Smax，与启用协调时相同
• 2个子查询匹配：总分将是Smax₂的part_2₂ = 4/9=0.44（44%）。或者比part_2小2/3（66%）
• 1个子查询匹配：总分将是Smax₂的part_1₂ = 1/9=0.11（11%）。或者比part_1小1/3（33%）

不同协调方法之间的比较：disable_coord=False的得分小于disable_coord=True乘以(n²/N²)/(n/N) = n/N的得分
具有不同协调策略的不同查询类型的可能用例：

• “fuller”匹配应该比部分匹配更相关：使用启用协调的默认bool查询
• 每个子查询都是自给自足的，多个子查询的匹配很好，“线性”很重要：使用bold query with disable_coord=True
• 当每个子查询都同等重要且匹配1个子查询时，应将其视为所有子查询的匹配：使用dis_max查询
• 当你在多个字段中搜索时，多个字段中的非重叠匹配比单个字段中的相同数量的匹配更好：使用bool和dis_max查询的组合（更多细节在文档中：https://www.elastic.co/guide/en/elasticsearch/reference/current/query-dsl-dis-max-query.html）

请注意，当term在文档中出现多次时，同一子查询可能会有不同的分数：这由term_frequency（https：//www.elastic.co/guide/en/elasticsearch/guide/current/scoring-theory.html#tf）控制--并且不受disable_coord与另一个答案（https://stackoverflow.com/a/26998760/952437）中所述内容的影响。字段长度规范化也会影响结果的计算方式
如果你想知道这三个概念是如何一起工作的，请看下面的例子：
查询：quick brown fox--这实际上是3个与“OR”组合的查询
disable_coord=True：

• quick brown fox rocks--~=3*1/(sqrt(4))*const = 3*tmp_const的得分
• quick brown fox quick--~=(1+1*sqrt(2)+1)*1/(sqrt(4))*const = 3.41 * tmp_const的得分
• quick brown fox quick fox--~=(1+1*sqrt(2)+1*sqrt(2))*1/(sqrt(5))*const = 3.82 * 0.89 tmp_const = 3.42 * tmp_const的分数。一个额外的fox使结果更相关，但这是通过字段长度标准化补偿的
• quick brown bird flies--~=2*1/(sqrt(4))*const = 2*tmp_const的得分
• quick brown bird--~=2*1/(sqrt(3))*const = 2*1.1547*tmp_const ~= 2.31*tmp_const的得分
• fox--~=2*1/(sqrt(1))*const = 2*2*tmp_const ~= 4*tmp_const的得分--得分甚至比quick brown fox quick更大。这是由字段长度归一化引起的

disable_coord=False：

• 快褐狐岩（coord_factor=3/3=1）--~=3*1/(sqrt(4))*const = 3*tmp_const得分
• quick brown fox quick（coord_factor=3/3=1）--得分~=(1+1*sqrt(2)+1)*1/(sqrt(4))*const = 3.41 * tmp_const
• quick brown fox quick fox（coord_factor=3/3=1）--得分~=(1+1*sqrt(2)+1*sqrt(2))*1/(sqrt(5))*const = 3.82 * 0.89 tmp_const = 3.42 * tmp_const
• 快速棕色鸟蝇（coord_factor=2/3=0.66）--得分为~=2*1/(sqrt(4))*const * 2/3 = 1.33*tmp_const。由于协调，得分较低
• 快速棕色鸟（coord_factor=2/3=0.66）--得分~=2*1/(sqrt(3))*const *2/3 = 2*1.1547*tmp_const * 2/3 ~= 1.54*tmp_const.由于协调，得分较低
• fox（coord_factor=1/3=0.33）--~=2*1/(sqrt(1))*const * 1/3 = 2*2*tmp_const * 1/3 ~= 1.33*tmp_const的得分。由于“协调”，该结果现在比所有3项的结果相关性更低

真实的分数也取决于IDF（倒排文档频率）。上面的例子假设所有的术语在索引中具有相同的频率。

它用于Lucene评分。在对结果进行评分时，
示例如果我想修改任何bool查询的coord score，使得如果某些特定的子句或文本或值匹配，整个查询将乘以2。

假设你有一个should子句，其中有三个查询，现在假设一个文档匹配第一个bool查询，那么它会得到一些分数，但是假设这个查询不完全匹配第二个查询，而是部分匹配，现在这个文档会得到一些额外的分数，这意味着（第一个查询匹配分数+第二个查询部分匹配分数）。
现在，如果你不想在你的查询中给出这个部分分数，那么你应该写“disable_coord”：true它会做什么，它只会根据完全匹配的查询而不是部分匹配的文档给出分数。我希望你现在得到它...：）