ElasticStack學習(九):深入ElasticSearch搜索之詞項、全文本、結構化搜索及相關性算分

来源:https://www.cnblogs.com/supersnowyao/archive/2019/07/18/11201277.html
-Advertisement-
Play Games

一、基於詞項與全文的搜索 1、詞項 Term(詞項)是表達語意的最小單位,搜索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、Wild ...


一、基於詞項與全文的搜索

  1、詞項

    Term(詞項)是表達語意的最小單位,搜索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,在倒排索引中查找準確的詞項,並且使用相關度算分公式為每個包含該詞項的文檔進行相關度算分;

    3)通過Constant Score將查詢轉換成一個Filtering,以避免處分,利用緩存,提高查詢性能;

  2、詞項查詢使用

    1)批量創建一個索引,並插入數據,查看該索引的mapping,會發現相應欄位是text類型,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)對於欄位類型為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檔上去的;

      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的信息。而用john查詢正好可以查詢到相應的文檔。

      b)基於此種情況下,用stuId.keyword或者name.keyword,進行原樣查詢信息查詢時,就可以查詢到相應的文檔。 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信息時,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,這是相應查詢文檔的算分。

    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【逆文本頻率指數】:Inverse Document Frequency)的計算,以避免相關性算分而引發的性能開銷,可以使用constant_score轉化為Filter,取消算分的環節。同時Filter可以有效利用緩存,以提升性能。

  

    從上圖查詢結果可以得到,_score分數為1.0。

  3、全文本查詢

  全文本查詢的說明:

    1)基於全文本查詢有:Match Query、Match Phrase Query、Query String Query;

    2)索引與搜索時都會進行分詞,查詢字元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,同時為每個文檔生成一個算分,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類型定義成keyword類型;

  

   4、全文本查詢使用

  

  

  

  

、結構化搜索

  結構化數據:日期、數值、布爾都是結構化數據,對於一些文本也是可以為結構化的,比如:對於商品的唯一標識符、商品的標簽標註、顏色集合等。

  結構化搜索:就是指對結構化數據的搜索。

  1、對於結構化數據的說明:

    1)對於結構化數據可以進行邏輯操作,比如區間範圍的查詢、數據大小的比對;

    2)結構化的文本可以做精確匹配(Term查詢)或部分匹配(Prefix首碼查詢);

      註意:對於Term的模糊查詢,建議謹慎使用,有時性能不夠好。

    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索是否要打分; 

  2、結構化搜索使用

    1)布爾值查詢

    

    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的文檔中增加一個統計欄位,結合布爾查詢,做出精確匹配,如下圖所示:

    

、相關性和相關性算分

  1、相關性:就是一個文檔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,將把最符合用戶需求的文檔排在前面。

    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檔中出現的頻率,也就是檢索詞出現的次數除以文檔的總字數;

    度量一條查詢與結果文檔相關性的方法:將搜索中每一個詞的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”在文檔中出現多次,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:文檔頻率):檢索詞在所有文檔中出現的頻率;

    Inverse Document Frequency(IDF:逆文檔頻率):通過公式:log(全部文檔數/檢索詞出現過的文檔總數)

     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、相關性信息查看

  

  通過圖中可以看到,因為第二條記錄比第一條記錄的文檔內容短,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,因此在搜索結果順序上,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置的。

  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;

 

  大家可關註我的公眾號 

    

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


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 工作案例: 大數據開發用系統腳本自動在kafka建topic,檢查後才發現副本數只有1個,存在數據丟失的風險。需要立刻把副本數改為3個。 開始幹活,首先想到的是下麵的命令: ${BIN_PATH}/kafka-topics.sh --zookeeper ${ZOOKEEPER_ADDR} --top ...
  • 作為測試人員最常用的資料庫查詢語句,本篇博文做了一個具體的總結,以下只是為了概述查詢方法而舉的例子,並不一定是最好的查詢方式。 紅色標記的地方是該查詢語句中重點想要表達的查詢方法。 一. 新建一個資料庫test: create database test; 二. 依次創建三個表:學生表Student ...
  • Oracle中分頁查詢因為存在偽列rownum,sql語句寫起來較為複雜,現在介紹一種通過使用MyBatis中的RowBounds進行分頁查詢,非常方便。 使用MyBatis中的RowBounds進行分頁查詢時,不需要在 sql 語句中寫 offset,limit,mybatis 會自動拼接 分頁s ...
  • Oracle中分頁和MySql中的分頁不同,MySql中的分頁使用關鍵字limit即可,相對簡單一點,Oracle中分頁使用rownum ,相對複雜一點。 sql語句如下: Oracle中rownum是虛擬列,是得出結果後,再進行計算的。所以,只能是小於的,無法大於,要使用的大於,就必須使用別名,如 ...
  • 對於oracle資料庫下的企業級應用開發,經常會使用到新建用戶,新建表空間以及數據的遷移工作。雖然目前互聯網存在很多單個問題的解決方案,但是比較零散,本博文結合研發兄弟們的實際現狀,提供一套完整初始研發資料庫環境的搭建手段,免得導出搜素。 登錄相關操作 預設有以下2個超級用戶: sys:超級管理員用 ...
  • 背景 1. SQLSERVER資料庫中單表數據幾十億,分區方案也已經無法查詢出結果。故:採用導出功能,導出數據到Text文本(文本 40G)中。 2. 因上原因,所以本次的實驗樣本為:【數據量:61w條,文本大小:74M】 選擇DataX原因 1. 試圖維持統一的異構數據源同步方案。(其實行不通) ...
  • 配置前先把功能變數名稱映射配好哈 詳情參考我的其他隨筆 下載好hdfs.tar.gz 後 在/home/ldy下 mkdir apps/ tar -xzvf hdfs.tar.gz -C /home/ldy/apps/ #專門用來安裝hdfs 和jdk的 修改環境變數:vim /etc/profile 在最 ...
  • 初識事務隔離 事務隔離級別的出現都是針對資料庫的具體問題的, SQL 92標準對事務併發處理會存在的異常情況進行了分級, 分別為臟讀(Dirty Read)、不可重覆讀(Unrepeatable Read)和幻讀(Phantom Read). 三種異常 舉個例子, 有個heros_temp表, 中有 ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...