Lorsqu’un utilisateur lance une recherche, chaque contenu (article, pièce jointe, commentaire…) reçoit un score de pertinence. Ce score détermine sa position dans les résultats.

Le score global d’un document est calculé comme la somme des scores de chaque champ analysé.

Chaque champ reçoit un score individuel basé sur la formule suivante :

score_champ = Boost × IDF × TF

👉🏻 Le score final du document est ensuite obtenu en additionnant les scores de chaque champ.

Prenons la requête "remboursement carte".

Imaginons un document avec les occurrences suivantes :

Le moteur va calculer :

Puis : score_total = score_titre + score_commentaire

Cela permet de cumuler les contributions de plusieurs champs pour évaluer la pertinence globale d’un document.

Lors d’une recherche, nous analysons plusieurs champs du contenu :
(titre, étiquettes, commentaires, pièces jointes, attributs, etc.)

Chacun de ces champs peut avoir une importance différente dans le calcul de pertinence, par exemple :

→ Les versions unstemmed correspondent à une recherche exacte, sans simplification grammaticale. Elles ont souvent une pondération plus élevée.

Oui. Elium applique également un ajustement temporel des scores pour privilégier les contenus mis à jour récemment, sans pour autant exclure les ressources plus anciennes.

Cela fonctionne via une fonction de décadence, qui réduit légèrement le score de pertinence des documents en fonction de leur date de dernière mise à jour :

Cela permet de garantir que les utilisateurs accèdent en priorité à des informations à jour, tout en conservant la valeur des connaissances durables.

Si votre plateforme est multilingue, la recherche s’adapte à la langue de votre interface. Elle utilise les champs traduits correspondants (titre, tags, pages wiki, etc.) avec des pondérations également adaptées.

Nous utilisons une requête de type query_string qui comprend :

Pour améliorer la pertinence générale, Elasticsearch utilise ce qu’on appelle des "stop words" : ce sont des mots très courants dans la langue (comme “le”, “et”, “dans”, “on”, “doit”, etc.) qui sont automatiquement supprimés de la requête.

Cela peut poser problème dans certains cas où un mot courant est aussi un terme métier important. Par exemple :

Quelques raisons possibles :