Elasticsearch核心技术与实战学习笔记 34 | Term&Phrase Suggester

一序

本文属于极客时间Elasticsearch核心技术与实战学习笔记系列。

二什么是搜索建议

现代的搜索引擎，一般都会提供 Suggest as you type 的功能
帮助用户在输入搜索的过程中，进行自动补全或者纠错。通过协助用户输入更加精准的关键词，提高后续搜索阶段文档匹配的程度
在 google 上搜索，一开始会自动补全。当输入到一定长度，如因为单词拼写错误无法补全，就会开始提示相似的词或者句子

2.1 Elasticsearch Suggester API

搜索引擎中类似的功能，在 ES 中通过 Sugester API 实现的
原理：将输入的文档分解为 Token，然后在索引的字段里查找相似的 Term 并返回
根据不同的使用场景，ES 设计了 4 种类别的 Suggesters

Term Suggester（纠错补全，输入错误的情况下补全正确的单词）
Phrase Suggester（自动补全短语，输入一个单词补全整个短语）
Completion Suggester(完成补全单词，输出如前半部分，补全整个单词）
Context Suggester（上下文补全）

2.2Term Suggester

demo：

数据准备

DELETE articles
PUT articles
{
  "mappings": {
    "properties": {
      "title_completion":{
        "type": "completion"
      }
    }
  }
}

POST articles/_bulk
{ "index" : { } }
{ "title_completion": "lucene is very cool"}
{ "index" : { } }
{ "title_completion": "Elasticsearch builds on top of lucene"}
{ "index" : { } }
{ "title_completion": "Elasticsearch rocks"}
{ "index" : { } }
{ "title_completion": "elastic is the company behind ELK stack"}
{ "index" : { } }
{ "title_completion": "Elk stack rocks"}
{ "index" : {} }

"suggest" : {
"term-suggestion" : [
{
"text" : "lucen",
"offset" : 0,
"length" : 5,
"options" : [
{
"text" : "lucene",
"score" : 0.8,
"freq" : 2
}
]
},
{
"text" : "rock",
"offset" : 6,
"length" : 4,
"options" : [ ]
}
]
}

搜索 “lucen rock”：看结果： "lucene",//推荐了,而rock 没有推荐。

搜索 “lucen rock”：

每个建议都包含了一个算分，相似性是通过 Levenshtein Edit Distance 的算法实现的。核心思想就是一个词改动多少字段就可以和另外一个词一致。提供了很多可选参数来控制相似性的模糊程度。

几种 Suggestion Mode

Missing - 如索引中已存在，就不提供建议
Popular - 推荐出现频率更加高的词
Always - 无论是否存在，都提供建议

因为文档里有两条rocks,所以认为popular的结果为rocks. 换成always也是一样的结果。

POST /articles/_search
{

"suggest": {
"term-suggestion": {
"text": "lucen rock",
"term": {
"suggest_mode": "always",
"field": "body"
}
}
}
}

如果换成hocks查询：

返回：‘

  "suggest" : {
    "term-suggestion" : [
      {
        "text" : "lucen",
        "offset" : 0,
        "length" : 5,
        "options" : [
          {
            "text" : "lucene",
            "score" : 0.8,
            "freq" : 2
          }
        ]
      },
      {
        "text" : "hocks",
        "offset" : 6,
        "length" : 5,
        "options" : [ ]
      }
    ]
  }
}

这里有一些相关的参数可以设置，

lowercase_terms：表示在文本分析后，将推荐文本术语转换成小写；

max_edits：表示可以被选为建议的edit distance的最大值，只能是1和2之前的数值，默认是2；

prefix_length：表示可以被选为建议的最小前缀字符的长度，默认为1，增加这个长度可以提高拼写检查的性能，通常拼写错误不会发生在术语的最前面（prefix_len参数已经丢弃）；

min_word_length：表示推荐文本的最小产嘀咕，默认为4（min_word_len参数已被丢弃）；

shard_size：表示从每个独立碎片（分片）获取建议的最大数量，在减少阶段（reduce phase）基于size参数的设置只返回前N个建议，默认就是size提供的值，将shard_size设置为大于size参数，可能对得到性能为代价更准确的文档频率拼写纠正更加有效，因为术语分区中碎片，碎片级别文档频率的拼写纠正可能不准确，增加这将使这些文档频率更精确；

max_inspections：表示一个因子，这个参数和shard_size参数相乘以便在碎片级别检查更多的候选者的拼写错误，可以提高以性能为代价的准确性，参数默认为5；

min_doc_freq：表示一个建议中应包含文档数目的最小限制，可以指定为一个确切的数或文档数的相对百分比，可以通过推荐高频术语来提高质量，min_doc_freq默认是0（即不开启此功能），如果将这个参数指定为一个大于1的值（不能是小数，只是大于1时不能指定为小数），碎片级别的文档频率用于这个选项；

max_term_freq：表示推荐文本可以包含的文档数目的最大限制，可以是一个代表文档频率的确切值，也可以是一个相对百分数（比如0.4），如果指定为一个大于1的数（不可以指定为小数），默认是0.01f，这个参数可以用来排除高频术语的拼写检查，高频术语通常在前几个字符是拼写正确的以提高拼写检查的性能，碎片（分片）性能文档频率用于这个选项；

string_distance：表示一个字符串距离用于和推荐内容相比它们之间的相似性，这个参数可能的值有5个：

internal：表示默认的基于damerau_levenshtein算法，但在比较字符串距离内的索引已经做过高度优化；

damerau_levenshtein：是一种基于Damerau-Levenshtein算法的字符串距离算法；

levenshtein：是一种基于Levenshtein edit distance算法的字符串距离算法；

jaro_winkler：是一种基于Jaro-Winkler算法的字符串距离算法；

ngram：是一种基于字符连词的字符串距离算法；