解读

国内面试官问“**基于 Mango $lt 查询相似度**”，并不是想听你背诵 `$lt` 语法，而是考察三点：

1. 是否理解 Mango 查询只能做精确范围过滤，本身不具备相似度计算能力；
2. 能否在 CouchDB 无内置向量/全文评分 的限制下，用业务层二次排序或离线打标签的方式把“相似度”落地；
3. 是否熟悉 CouchDB 3.x 的索引选型（JSON vs text vs 分区索引）以及 移动端同步过滤场景下的性能陷阱。

一句话：$lt 只是“小于”谓词，相似度必须自己“算”出来，再让$lt 帮你“取”出来。

知识点

1. Mango 查询语法：{"age":{"$lt":30}} 返回 age 字段严格小于 30 的文档，无评分、无模糊。
2. 相似度本质：把业务维度（文本、向量、行为）映射成可排序的标量分值，存成字段，如 similarity_score。
3. CouchDB 索引规则：
   • 对 similarity_score 建升序 JSON 索引，{"index":{"fields":[{"similarity_score":"asc"}]}}；
   • 查询时用 $lt 做Top-N 截断，例如取前 100 个最相似：
     {"selector":{"similarity_score":{"$lt":阈值}},"limit":100,"sort":[{"similarity_score":"desc"}]}。
4. 阈值来源：
   • 离线批任务用 Spark+MLlib 算好 95% 分位点写回 CouchDB；
   • 或在线服务把用户向量和商品向量点积后实时写入 similarity_score，再同步到移动端。
5. 性能红线：
   • 单次 Mango 查询必须命中索引，否则触发全表扫描，在百万级文档以上直接超时；
   • $lt 与$regex 混用会导致索引失效，国内云厂商（阿里云、腾讯云）托管版 CouchDB 直接报 no_usable_index。
6. 移动同步：
   • 在 filter 函数里禁止用 $lt 做相似度过滤，因为 CouchDB 会把过滤器推给每个变更，复杂度 O(n²)；
   • 正确做法是把相似度高的文档打标 flag:similar，同步端用 selector={"flag":"similar"}，走预计算索引。

答案

分三步落地：

第一步：离线或实时计算相似度
把文本/向量相似度转成 0~1 之间的浮点分值，写入文档字段 similarity_score，并带上业务主键便于回查。

第二步：建索引
PUT /mydb/_index

{
  "index": {
    "fields": [{"similarity_score":"asc"}]
  },
  "name": "score-asc-index"
}

务必升序，因为 CouchDB 的 $lt 走左前缀匹配，升序索引能让 sort=[{"similarity_score":"desc"}] 仍用同一索引。

第三步：用 $lt 取 Top-N

POST /mydb/_find
{
  "selector": {
    "similarity_score": {"$lt": 0.85}
  },
  "sort": [{"similarity_score":"desc"}],
  "limit": 100
}

阈值 0.85 由离线分位点给出，保证返回的 100 条就是“最相似”的文档。
若需要用户个性化，把阈值存到用户画像表，每次查询动态拼进 selector 即可。

踩坑提醒：

• 如果 similarity_score 缺失，CouchDB 会把它当 null，null $lt 0.85 为真，导致脏数据混入，务必加 "similarity_score":{"$exists":true}。
• 国内公有云单节点 QPS 上限约 800，高并发场景下把相似度计算迁到 ES 或 TiDB，CouchDB 只存结果快照，避免CPU 打满被客户投诉。

拓展思考

1. 多维度相似：
   若相似度由文本、价格、距离三个维度加权，可把 similarity_score 做成归一化加权和，也可以分层截断：先用 $lt 把距离小于 5 km 的文档捞出来，再在客户端用余弦相似度二次排序，兼顾精度与性能。
2. 增量更新：
   采用 CouchDB 的 _changes + seq 追踪，把变更流推给 Flink 作业实时重算 similarity_score，写回时带 _rev 防止版本冲突，实现秒级更新。
3. 离线冷启动：
   对新用户无行为问题，把物品聚类中心预置到 cluster_id 字段，用 $lt 取簇内热度前 K 的文档，解决移动 App 首屏空白的痛点，国内主流内容厂商已用该方案把次日留存提升 6%。
4. 安全合规：
   国内个人信息保护法要求向量特征也需脱敏，计算相似度时把用户 ID 哈希化后再落盘，防止反向推回原始手机号，审计时可直接展示索引定义而不暴露业务逻辑。