ElasticStack學習(九):深入ElasticSearch搜尋之詞項、全文字、結構化搜尋及相關性算分
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