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
二、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：
三、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》
