标签：

1.分词

全文检索必须要分词，所谓分词就是把一句话切分成一个个单独的词。分词有很多算法，比如自然分词、n-gram分词、字典分词等等。对中文来说没有自然分隔符，一般采用字典分词，再加上对人名、地名的特殊处理，提高分词的准确性。

我们使用ik分词组件，ik有两种分词策略：smart策略、max word策略。

例如这个句子：

 看一下分词的结果，先看smart策略：

句子按照中文语法被分割成一个个词，仔细观察一下可以看到两个现象：

1. 标点符号都不见了
2. 少了一些字，比如“的”、“在”、“了”

这个处理叫做“预处理”，预处理过程会去掉句子中的符号、停止词（stop word），这两种元素在检索中没有什么作用，对排序还会造成很大的干扰，在索引的时候就被去除掉了。

对于英文等西方文字，由于词之间存在自然分割，所以分词的难度低，准确性高。拼音文字一般存在单复数、时态、词性等词尾的变化，比如make、made、makes，索引的时候还需要做词形变换，全部处理成原型。

从分词结果中还可以看到，一些分词结果不准确，比如“1939年”、“得/到她”，因为分词不准确，当用户搜索“1939”、“得到”就检索不到这个文档，尽管文档中出现了这些词。还有“莉/赛/尔”，ik不能识别这个词，分割成了三个独立的字。如果用户搜索“赛莉尔”，也能搜出文档。

为了避免分词不准确影响召回率的情况，可以使用max word策略：

max word多分出了很多词，这样就增加了检索的召回率，但是正确率有所降低，也增加了索引的体积。

我们的策略是：对fulltext字段使用max_word分词策略进行索引。term检索不对查询词做分词处理，输入什么词就检索什么词。match_query检索对查询词用smart策略。span_near_query检索对查询词使用max_word策略，确保分词结果一致。这样做准确率和召回率都比较合适。

2.反向索引

反向索引也叫倒排索引，存储了词在文档中的位置。比如有下面三个文档，已经做好了分词：

doc1: A/BC/D/EF
doc2: BC/D/XY/Z/Z
doc3: BC/E/MN/XY

首先统计这三个文档中出现的所有的词，给这些词编号，并且统计词频：

然后统计这些词出现在哪些文档中，以及出现的位置：

 这样反向索引就建立起来了。现在进行检索，输入“BDC”。首先对输入条件进行分词，得到“BC/D”，分别检索BC和D的集合，查反向索引：

得到搜索结果集合doc1和doc2。

Elasticsearch是一个分布式的全文检索数据库，封装了Lucene的功能，倒排索引的功能是在Lucene中实现的。Lucene的数据目录中保存的就是倒排索引数据，包括了词典和文档数据，压缩存储。Lucene的索引是分域存储的，比纯粹的文本索引复杂的多，具体的原理可以看Lucene代码。

3.排序

把关键词从文档的海洋中检索出来只是万里长征走完了第一步，后面还有一件更重要、难度也更大的事情：排序。对于海量数据来说，排序不合理和检索不正确造成的后果其实没有多大的区别（甚至要更严重，个人观点）。

Lucene默认的排序方式是根据关键词文档相关性，默认的算法是TF-IDF。TF词频（Term Frequency），IDF逆向文件频率（Inverse Document Frequency）。

具体的公式这里就不写了，维基百科上有个例子，https://zh.wikipedia.org/wiki/TF-IDF，这里说明一下：

首先计算单词的TF-IDF：假如一篇文件的总词语数是100个，而词语“母牛”出现了3次，那么“母牛”一词在该文件中的词频就是3/100=0.03。一个计算文件频率（DF）的方法是测定有多少份文件出现过“母牛”一词，然后除以文件集里包含的文件总数。所以，如果“母牛”一词在1,000份文件出现过，而文件总数是10,000,000份的话，其逆向文件频率就是log（10,000,000 / 1,000）=4。最后的TF-IDF的分数为0.03 * 4=0.12。

再计算关键词与文档的相关性：根据关键字k1,k2,k3进行搜索结果的相关性就变成TF1 * IDF1 + TF2 * IDF2 + TF3 * IDF3。比如document1的term总量为1000，k1,k2,k3在document1出现的次数是100，200，50。包含了k1, k2, k3的document总量分别是 1000，10000，5000。document set的总量为10000。 TF1 = 100/1000 = 0.1 TF2 = 200/1000 = 0.2 TF3 = 50/1000 = 0.05 IDF1 = In（10000/1000） = In (10) = 2.3 IDF2 = In（10000/10000） = In (1) = 0; IDF3 = In（10000/5000） = In (2) = 0.69 这样关键字k1,k2,k3与document1的相关性 = 0.1 * 2.3 + 0.2 * 0 + 0.05 * 0.69 = 0.2645 其中k1比k3的比重在document1要大，k2的比重是0.

这是理论上的相关性算法，实际上可以根据其他因素来修正。比如Google的page rank算法，会提前根据连接数和引用数算出网页的page rank得分，计算关键词相关性的时候还会考虑关键词在网页上出现的位置（title、meta、正文标题、正文内容、侧边栏等等），给出不同的相关度。也可以根据某个业务属性强制排序（比如create_time等等）。

Elasticsearch是一个分布式的Lucene，排序工作实际上是Lucene做的，Elasticsearch做了一个分步执行、集中排序。

4.检索方式

4.1 term检索

term检索的条件写法，用SQL表达就是：

term是不分词检索，也就是对检索条件不分词。所以一般对非文本字段、不分词的文本字段使用这样的检索。对分词文本字段用term检索要慎重。比如对这样的文档：

如果用term检索：

由于文档的fulltext字段中不存在“CDE”这个词，所以检索不到文档。

4.2 matchQuery检索

matchQuery条件写法：

matchQuery是分词检索，先对检索条件进行分词，得到“AB/E”，然后寻找fulltext中同时包含“AB”和“E”的文档。我们对fulltext进行ik max word分词，matchQuery使用ik smart分词，这样能够最大限度的避免分词不准确对效果的影响。

4.3 spanNearQuery检索

spanNearQuery条件写法：

spanNearQuery是分词检索，同时要求条件在文档中一定要连续出现。所以spanNearQuery要求索引和检索一定要使用完全相同的分词策略。比如对“远郊寄养家庭”，分词后是“远郊/郊/寄养/寄/养家/家庭/家/庭”，如果检索条件是：

搜索时先对条件使用同样的分词策略，然后判断fulltext中是否连续出现搜索词。

4.4 query检索

query条件写法：

query也是分词检索，首先在字典中寻找符合“chin*”通配符的词，比如“china”、“chinese”等等。然后寻找含有任一词的文档。

5.自定义词典

ik分词组件使用词典分词，可以修改词典定义提高分词的准确性。

ik组件可以使用自定义词典，配置文件：/server/elasticsearch/config/ik/IKAnalyzer.cfg.xml

修改本地词典和停止词文件，需要在每个Elasticsearch节点上修改文件，修改后重启。

使用远程字典可以集中维护字典文件，并且不需要重启Elasticsearch。ik每分钟向远程地址发出请求，请求有一个“If-Modified-Since”消息头。如果字典没有变动，返回“304 Not Modified”，ik不会更新字典。如果字典内容有变动，返回字典内容和新的“Last-Modified”，ik更新字典。

全文检索基本概念

标签：

原文地址：http://www.cnblogs.com/lane_cn/p/5783192.html