欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

程序员文章站 2024-01-16 10:31:52
一、基于词项与全文的搜索 1、词项 Term(词项)是表达语意的最小单位,搜索和利用统计语言模型进行自然语言处理都需要处理Term。 Term的使用说明: 1)Term Level Query:Term Query、Range Query、Exists Query、Prefix Query、Wild ......

一、基于词项与全文的搜索

  1、词项

    term(词项)是表达语意的最小单位,搜索和利用统计语言模型进行自然语言处理都需要处理term。

    term的使用说明:

    1)term level query:term query、range query、exists query、prefix query、wildcard query;

    2)在es中,对于term查询的输入是不做分词处理的,会将输入作为一个整体,在倒排索引中查找准确的词项,并且使用相关度算分公式为每个包含该词项的文档进行相关度算分;

    3)通过constant score将查询转换成一个filtering,以避免处分,利用缓存,提高查询性能;

  2、词项查询使用

    1)批量创建一个索引,并插入数据,查看该索引的mapping,会发现相应字段是text类型,同时有子字段keyword。

ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

    2)现进行对name或stuid字段的查询。

ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

    3)通过上述对两个字段不同查询条件的,以及查询方式的对比,我们可以总结如下:

      a)对于字段类型为text的字段,其会按照默认analyzer进行分词,如下图所示:stu-001被分词为两个stu和001,所以当查询stu-001或者stu-001是,是无法被索引到相当的文档上去的;

ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

      同理,也就是为什么查询name时,用john可以查询到,用john就无法查询到的原因。因为默认analyzer:standard会将字段name中的大写字母转化为小写,而当以term方式查询john,term因为不做分词处理(原样查询),也就无法查询到能够匹配john的信息。而用john查询正好可以查询到相应的文档。

      b)基于此种情况下,用stuid.keyword或者name.keyword,进行原样查询信息查询时,就可以查询到相应的文档。 这是因为相应字段中的子字段keyword是不做分词处理的,所以如果要查询字段中原始内容一样的信息时,要加上column.keyword。

    4)词项算分使用

    通过上图中的查询结果可以看到,相应结果有一个指标_score,这是相应查询文档的算分。

    如果在查询中,希望跳过算分的过程,忽略tf-idf(tf【词频】:term frequency;idf【逆文本频率指数】:inverse document frequency)的计算,以避免相关性算分而引发的性能开销,可以使用constant_score转化为filter,取消算分的环节。同时filter可以有效利用缓存,以提升性能。

  ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

    从上图查询结果可以得到,_score分数为1.0。

  3、全文本查询

  全文本查询的说明:

    1)基于全文本查询有:match query、match phrase query、query string query;

    2)索引与搜索时都会进行分词,查询字符串会先传递给一个合适的分词器,然后生成一个供查询的词项列表;

    3)查询时,会对输入的查询进行分词,然后每个词项逐个进行查询,同时为每个文档生成一个算分,最终将结果进行合并。例如对stu-001进行查询,若采用默认analyzer,会对相应字段进行stu或001的查询;

    4)如果想对某个字段做精准查询,不想做分词处理,可以在mapping当中,将相应字段由text类型定义成keyword类型;

  ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

   4、全文本查询使用

  ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

  ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

  ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

  ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

、结构化搜索

  结构化数据:日期、数值、布尔都是结构化数据,对于一些文本也是可以为结构化的,比如:对于商品的唯一标识符、商品的标签标注、颜色集合等。

  结构化搜索:就是指对结构化数据的搜索。

  1、对于结构化数据的说明:

    1)对于结构化数据可以进行逻辑操作,比如区间范围的查询、数据大小的比对;

    2)结构化的文本可以做精确匹配(term查询)或部分匹配(prefix前缀查询);

      注意:对于term的模糊查询,建议谨慎使用,有时性能不够好。

    3)结构化结果只有“是”或“否”两个值,根据场景需要,可以决定对结构化搜索是否要打分; 

  2、结构化搜索使用

    1)布尔值查询

    ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

    2)数值范围查询

    ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

    3)日期范围查询

      日期符号代表的意思:

      y--年;m--月;

      w--周;d--天;

      h/h--小时;m--分钟;s--秒;      

    ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

    4)字段存在查询

    ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

    ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

    5)字段多值查询

    ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

    通过上图中可以看到,在基于term的多值查询中,查询某个字段的值,并不是完全的相等处理,而是一种包含关系。

    如果想做精确的匹配,需要在index的文档中增加一个统计字段,结合布尔查询,做出精确匹配,如下图所示:

    ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

、相关性和相关性算分

  1、相关性:就是一个文档与查询语句匹配的程度;

    相关性算分:针对匹配程度,es会对每个匹配查询的结果进行打分,打分的本质就是排序,将把最符合用户需求的文档排在前面。

    在es5.0之前,默认的相关性算分算法是tf-idf,之后采用的是bm25算法。

  2、term frequency(tf:词频):就是指检索词在一篇文档中出现的频率,也就是检索词出现的次数除以文档的总字数;

    度量一条查询与结果文档相关性的方法:将搜索中每一个词的tf进行相加,如“es的特点”,分完词后进行的词频相加,tf(es)+tf(的)+tf(特点);

    对于一些停用词,如“的”在文档中出现多次,但对于查询相关度的贡献并不是很大,所以不应该考虑这些词的tf;

   3、document frequency(df:文档频率):检索词在所有文档中出现的频率;

    inverse document frequency(idf:逆文档频率):通过公式:log(全部文档数/检索词出现过的文档总数)

     tf-idf本质上是将tf的求和变成了加权求和:tf(es)*idf(es)+tf(的)*idf(的)+tf(特点)*idf(特点)

   4、在lucene中,tf-idf的评分公式如下:

ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

  5、es5.0之后,算法从tf-idf变为bm25,如下图所示:

  ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

  tf-idf当随着tf无限增长时,那算分也不会不断的增长。而bm25算法进行了优化,随着tf的无限增长,算分会逐渐的趋于一个数值。

   6、相关性信息查看

  ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分

  通过图中可以看到,因为第二条记录比第一条记录的文档内容短,而导致其tf较高,因此最后的算法也相对于第一条算分高一些,因此在搜索结果顺序上,第二条排在上面。

  boosting是控制相关度的一种手段,在索引和字段上都是可以设置的。

  boost的含义:

    1)当boost>1时,打分的相关度相对性提升;

    2)当0<boost<1时,打分的权重相对性降低;

    3)当boost<0时,贡献为负分;

 

  大家可关注我的公众号 

   ElasticStack学习(九):深入ElasticSearch搜索之词项、全文本、结构化搜索及相关性算分 

  知识学习来源:阮一鸣:《elasticsearch核心技术与实战》