一、基於詞項與全文的搜尋

　　1、詞項

　　　　Term（詞項）是表達語意的最小單位，搜尋和利用統計語言模型進行自然語言處理都需要處理Term。

　　　　Term的使用說明：

　　　　1）Term Level Query：Term Query、Range Query、Exists Query、Prefix Query、Wildcard Query；

　　　　2）在ES中，對於Term查詢的輸入是不做分詞處理的，會將輸入作為一個整體，在倒排索引中查詢準確的詞項，並且使用相關度算分公式為每個包含該詞項的文件進行相關度算分；

　　　　3）通過Constant Score將查詢轉換成一個Filtering，以避免處分，利用快取，提高查詢效能；

　　2、詞項查詢使用

　　　　1）批量建立一個索引，並插入資料，檢視該索引的mapping，會發現相應欄位是text型別，同時有子欄位keyword。

　　　　2）現進行對name或stuId欄位的查詢。

　　　　3）通過上述對兩個欄位不同查詢條件的，以及查詢方式的對比，我們可以總結如下：

　　　　　　a）對於欄位型別為text的欄位，其會按照預設analyzer進行分詞，如下圖所示：STU-001被分詞為兩個stu和001，所以當查詢stu-001或者STU-001是，是無法被索引到相當的文件上去的；

　　　　　　同理，也就是為什麼查詢name時，用john可以查詢到，用John就無法查詢到的原因。因為預設analyzer:standard會將欄位name中的大寫字母轉化為小寫，而當以Term方式查詢John，Term因為不做分詞處理（原樣查詢），也就無法查詢到能夠匹配John的資訊。而用john查詢正好可以查詢到相應的文件。

　　　　　　b）基於此種情況下，用stuId.keyword或者name.keyword，進行原樣查詢資訊查詢時，就可以查詢到相應的文件。 這是因為相應欄位中的子欄位keyword是不做分詞處理的，所以如果要查詢欄位中原始內容一樣的資訊時，要加上column.keyword。

　　　　4）詞項算分使用

　　　　通過上圖中的查詢結果可以看到，相應結果有一個指標_score，這是相應查詢文件的算分。

　　　　如果在查詢中，希望跳過算分的過程，忽略TF-IDF（TF【詞頻】：Term Frequency；IDF【逆文字頻率指數】：Inverse Document Frequency）的計算，以避免相關性算分而引發的效能開銷，可以使用constant_score轉化為Filter，取消算分的環節。同時Filter可以有效利用快取，以提升效能。

　　　　從上圖查詢結果可以得到，_score分數為1.0。

　　3、全文字查詢

　　全文字查詢的說明：

　　　　1）基於全文字查詢有：Match Query、Match Phrase Query、Query String Query；

　　　　2）索引與搜尋時都會進行分詞，查詢字串會先傳遞給一個合適的分詞器，然後生成一個供查詢的詞項列表；

　　　　3）查詢時，會對輸入的查詢進行分詞，然後每個詞項逐個進行查詢，同時為每個文件生成一個算分，最終將結果進行合併。例如對STU-001進行查詢，若採用預設analyzer，會對相應欄位進行stu或001的查詢；

　　　　4）如果想對某個欄位做精準查詢，不想做分詞處理，可以在mapping當中，將相應欄位由text型別定義成keyword型別；

 　　4、全文字查詢使用

二、結構化搜尋

　　結構化資料：日期、數值、布林都是結構化資料，對於一些文字也是可以為結構化的，比如：對於商品的唯一識別符號、商品的標籤標註、顏色集合等。

　　結構化搜尋：就是指對結構化資料的搜尋。

　　1、對於結構化資料的說明：

　　　　1）對於結構化資料可以進行邏輯操作，比如區間範圍的查詢、資料大小的比對；

　　　　2）結構化的文字可以做精確匹配（Term查詢）或部分匹配（Prefix字首查詢）；

 　　　　　注意：對於Term的模糊查詢，建議謹慎使用，有時效能不夠好。

　　　　3）結構化結果只有“是”或“否”兩個值，根據場景需要，可以決定對結構化搜尋是否要打分； 

　　2、結構化搜尋使用

　　　　1）布林值查詢

　　　　2）數值範圍查詢

　　　　3）日期範圍查詢

　　　　　　日期符號代表的意思：

　　　　　　y--年；M--月；

　　　　　　w--周；d--天；

　　　　　　H/h--小時；m--分鐘；s--秒；　　　　　　

　　　　4）欄位存在查詢

　　　　5）欄位多值查詢

　　　　通過上圖中可以看到，在基於Term的多值查詢中，查詢某個欄位的值，並不是完全的相等處理，而是一種包含關係。

　　　　如果想做精確的匹配，需要在index的文件中增加一個統計欄位，結合布林查詢，做出精確匹配，如下圖所示：

三、相關性和相關性算分

　　1、相關性：就是一個文件與查詢語句匹配的程度；

　　　　相關性算分：針對匹配程度，ES會對每個匹配查詢的結果進行打分，打分的本質就是排序，將把最符合使用者需求的文件排在前面。

　　　　在ES5.0之前，預設的相關性算分演算法是TF-IDF，之後採用的是BM25演算法。

　　2、Term Frequency（TF：詞頻）：就是指檢索詞在一篇文件中出現的頻率，也就是檢索詞出現的次數除以文件的總字數；

　　　　度量一條查詢與結果文件相關性的方法：將搜尋中每一個詞的TF進行相加，如“ES的特點”，分完詞後進行的詞頻相加，TF(ES)+TF(的)+TF(特點)；

　　　　對於一些停用詞，如“的”在文件中出現多次，但對於查詢相關度的貢獻並不是很大，所以不應該考慮這些詞的TF；

 　　3、Document Frequency（DF：文件頻率）：檢索詞在所有文件中出現的頻率；

　　　　Inverse Document Frequency（IDF：逆文件頻率）：通過公式：log(全部文件數/檢索詞出現過的文件總數)

 　　　　TF-IDF本質上是將TF的求和變成了加權求和：TF(ES)*IDF(ES)+TF(的)*IDF(的)+TF(特點)*IDF(特點)

 　　4、在Lucene中，TF-IDF的評分公式如下：

　　5、ES5.0之後，演算法從TF-IDF變為BM25，如下圖所示：

　　TF-IDF當隨著TF無限增長時，那算分也不會不斷的增長。而BM25演算法進行了優化，隨著TF的無限增長，算分會逐漸的趨於一個數值。

 　　6、相關性資訊檢視

　　通過圖中可以看到，因為第二條記錄比第一條記錄的文件內容短，而導致其tf較高，因此最後的演算法也相對於第一條算分高一些，因此在搜尋結果順序上，第二條排在上面。

　　Boosting是控制相關度的一種手段，在索引和欄位上都是可以設定的。

　　Boost的含義：

　　　　1）當boost>1時，打分的相關度相對性提升；

　　　　2）當0<boost<1時，打分的權重相對性降低；

　　　　3）當boost<0時，貢獻為負分；

　　大家可關注我的公眾號 

　　知識學習來源：阮一鳴：《Elasticsearch核心技術與實戰》  &n