ElasticSearch/Nest搜索包含同义词,复数和拼写错误

Question

我想做一个实现以下项目的搜索.

现在我通过正则表达式实现了所有这一切,它远远没有涵盖所有内容,我想知道我可以使用ElasticSearch做多少:

• 同义词

  我的理解是,这是在创建索引时实现的.

  indexSettings.Analysis.TokenFilters.Add("synonym",new SynonymTokenFilter {Synonyms = new [] {"tire => tire","aluminum => aluminum"},IgnoreCase = true,Tokenizer ="whitespace"});

  但是我还需要包含复数吗？要么,

• 奇异的单词(鞋子和鞋子应该是完全相同的)

  这是否意味着我需要将"鞋子"放在同义词列表中？还是有另一种方式？

• 应允许小的拼写错误,替换和遗漏

  所以'汽车','汽车'或'汽车'将匹配.我不知道这是否可能.

• 忽略所有停止的话

  现在我通过正则表达式删除所有'the','this','my'等

我所有的搜索词都是简单的英文单词和数字; 别的什么都不允许.

Answer 1

所有这一切都可以通过在Elasticsearch中配置/编写自定义分析器来实现.依次回答每个问题:

同义词

同义词可以在索引时间,搜索时间或两者中应用.无论您选择哪种方法,都要考虑权衡

• 与在搜索时应用相比,在索引时应用同义词将导致更快的搜索,代价是更多的磁盘空间,索引吞吐量以及添加/删除现有同义词的灵活性和灵活性
• 在搜索时应用同义词允许以牺牲搜索速度为代价获得更大的灵活性.

还需要考虑同义词列表的大小以及它的变化频率(如果有的话).我会考虑尝试两者并决定哪种方案最适合您的方案和要求.

奇异的单词(鞋子和鞋子应该是完全相同的)

您可以考虑使用词干来使用基于算法或词典的词干分析器将复数和单数词减少到它们的根形式.也许从英国雪球词干开始,看看它是如何为你工作的.

您还应该考虑是否还需要索引原始单词形式,例如,如果精确单词匹配的排名高于其根表单上的词干单词？

应允许小的拼写错误,替换和遗漏

考虑使用可以利用模糊来处理拼写错误和拼写错误的查询.如果索引数据中存在拼写错误,请在编制索引之前考虑某种形式的清理.根据所有数据存储,垃圾输入,垃圾输出:)

忽略所有停止的话

使用英语停止令牌过滤器删除停用词.

把所有这些放在一起,一个示例分析器可能看起来像

void Main()
{
    var pool = new SingleNodeConnectionPool(new Uri("http://localhost:9200"));
    var defaultIndex = "default-index";
    var connectionSettings = new ConnectionSettings(pool)
        .DefaultIndex(defaultIndex);

    var client = new ElasticClient(connectionSettings);

    if (client.IndexExists(defaultIndex).Exists)
        client.DeleteIndex(defaultIndex);

    client.CreateIndex(defaultIndex, c => c
        .Settings(s => s
            .Analysis(a => a
                .TokenFilters(t => t
                    .Stop("my_stop", st => st
                        .StopWords("_english_", "i've")
                        .RemoveTrailing()
                    )
                    .Synonym("my_synonym", st => st
                        .Synonyms(
                            "dap, sneaker, pump, trainer",
                            "soccer => football"
                        )
                    )
                    .Snowball("my_snowball", st => st
                        .Language(SnowballLanguage.English)
                    )
                )
                .Analyzers(an => an
                    .Custom("my_analyzer", ca => ca
                        .Tokenizer("standard")
                        .Filters(
                            "lowercase",
                            "my_stop",
                            "my_snowball",
                            "my_synonym"
                        )
                    )
                )
            )
        )
        .Mappings(m => m
            .Map<Message>(mm => mm
                .Properties(p => p
                    .Text(t => t
                        .Name(n => n.Content)
                        .Analyzer("my_analyzer")
                    )
                )
            )
        )
    );

    client.Analyze(a => a
        .Index(defaultIndex)
        .Field<Message>(f => f.Content)
        .Text("Loving those Billy! Them is the maddest soccer trainers I've ever seen!")
    );
}

public class Message
{
    public string Content { get; set; }
}

my_analyzer 为上面生成以下令牌

{
  "tokens" : [
    {
      "token" : "love",
      "start_offset" : 0,
      "end_offset" : 6,
      "type" : "<ALPHANUM>",
      "position" : 0
    },
    {
      "token" : "those",
      "start_offset" : 7,
      "end_offset" : 12,
      "type" : "<ALPHANUM>",
      "position" : 1
    },
    {
      "token" : "billi",
      "start_offset" : 13,
      "end_offset" : 18,
      "type" : "<ALPHANUM>",
      "position" : 2
    },
    {
      "token" : "them",
      "start_offset" : 20,
      "end_offset" : 24,
      "type" : "<ALPHANUM>",
      "position" : 3
    },
    {
      "token" : "maddest",
      "start_offset" : 32,
      "end_offset" : 39,
      "type" : "<ALPHANUM>",
      "position" : 6
    },
    {
      "token" : "football",
      "start_offset" : 40,
      "end_offset" : 46,
      "type" : "SYNONYM",
      "position" : 7
    },
    {
      "token" : "trainer",
      "start_offset" : 47,
      "end_offset" : 55,
      "type" : "<ALPHANUM>",
      "position" : 8
    },
    {
      "token" : "dap",
      "start_offset" : 47,
      "end_offset" : 55,
      "type" : "SYNONYM",
      "position" : 8
    },
    {
      "token" : "sneaker",
      "start_offset" : 47,
      "end_offset" : 55,
      "type" : "SYNONYM",
      "position" : 8
    },
    {
      "token" : "pump",
      "start_offset" : 47,
      "end_offset" : 55,
      "type" : "SYNONYM",
      "position" : 8
    },
    {
      "token" : "ever",
      "start_offset" : 61,
      "end_offset" : 65,
      "type" : "<ALPHANUM>",
      "position" : 10
    },
    {
      "token" : "seen",
      "start_offset" : 66,
      "end_offset" : 70,
      "type" : "<ALPHANUM>",
      "position" : 11
    }
  ]
}