elasticsearch:如何索引只有停用词的术语？

Question

我在后台使用elasticsearch建立自己的小搜索有很大的成功.但是有一件事我在文档中找不到.

我正在索引音乐家和乐队的名字.有一个乐队名为"The The",由于停止词列表,这个乐队从未被编入索引.

我知道我可以完全忽略停用词列表,但这不是我想要的,因为搜索其他乐队的结果如"谁"会爆炸.

那么,是否可以在索引中保存"The The"但不能禁用停用词？

Answer 1

您可以使用同义词过滤器转换The The为单个标记,例如thethe,不会被停用词过滤器删除.

首先,配置分析仪:

curl -XPUT 'http://127.0.0.1:9200/test/?pretty=1'  -d '
{
   "settings" : {
      "analysis" : {
         "filter" : {
            "syn" : {
               "synonyms" : [
                  "the the => thethe"
               ],
               "type" : "synonym"
            }
         },
         "analyzer" : {
            "syn" : {
               "filter" : [
                  "lowercase",
                  "syn",
                  "stop"
               ],
               "type" : "custom",
               "tokenizer" : "standard"
            }
         }
      }
   }
}
'

然后用字符串测试它"The The The Who".

curl -XGET 'http://127.0.0.1:9200/test/_analyze?pretty=1&text=The+The+The+Who&analyzer=syn' 

{
   "tokens" : [
      {
         "end_offset" : 7,
         "position" : 1,
         "start_offset" : 0,
         "type" : "SYNONYM",
         "token" : "thethe"
      },
      {
         "end_offset" : 15,
         "position" : 3,
         "start_offset" : 12,
         "type" : "<ALPHANUM>",
         "token" : "who"
      }
   ]
}

"The The"已被标记化的"the the",和"The Who"如"who"因为前面"the"是由停用词过滤器除去.

停止或不停止

这让我们回到是否应该包括停用词？你说:

I know I can ignore the stop words list completely 
but this is not what I want since the results searching 
for other bands like "the who" would explode.

你是什​​么意思？怎么爆炸？指数大小？性能？

最初引入停用词是为了通过删除可能对查询的相关性几乎没有影响的常用词来提高搜索引擎性能.但是,从那以后我们走了很长一段路.我们的服务器能够比80年代的服务器更多.

索引停用词不会对索引大小产生巨大影响.例如,索引单词the意味着向索引添加单个术语.您已经拥有数千个术语 - 对停用词编制索引也不会对大小或性能产生太大影响.

实际上,更大的问题是the非常普遍,因此对相关性的影响很小,因此搜索"The The concert Madrid"将优先于Madrid其他术语.这可以通过使用木瓦过滤器来减轻,这会产生这些标记:

['the the','the concert','concert madrid']

虽然the可能是常见的,但the the不会如此并且排名更高.

您不会单独查询带状疱疹的字段,但是您可以将查询与标准分析器(没有停用词)标记的字段和对带状疱疹字段的查询相结合.

我们可以使用多字段以text两种不同的方式分析字段:

curl -XPUT 'http://127.0.0.1:9200/test/?pretty=1'  -d '
{
   "mappings" : {
      "test" : {
         "properties" : {
            "text" : {
               "fields" : {
                  "shingle" : {
                     "type" : "string",
                     "analyzer" : "shingle"
                  },
                  "text" : {
                     "type" : "string",
                     "analyzer" : "no_stop"
                  }
               },
               "type" : "multi_field"
            }
         }
      }
   },
   "settings" : {
      "analysis" : {
         "analyzer" : {
            "no_stop" : {
               "stopwords" : "",
               "type" : "standard"
            },
            "shingle" : {
               "filter" : [
                  "standard",
                  "lowercase",
                  "shingle"
               ],
               "type" : "custom",
               "tokenizer" : "standard"
            }
         }
      }
   }
}
'

然后使用multi_match查询来查询该字段的两个版本,使得搭建版本更具"提升"/相关性.在这个例子中text.shingle^2,我们希望将该字段提升2:

curl -XGET 'http://127.0.0.1:9200/test/test/_search?pretty=1'  -d '
{
   "query" : {
      "multi_match" : {
         "fields" : [
            "text",
            "text.shingle^2"
         ],
         "query" : "the the concert madrid"
      }
   }
}
'