加快弹性搜索 more_like_this 查询

Question

我有兴趣为给定的输入文档获取类似的文档（类似于 KNN）。由于对大小不相似的文档（使用 doc2vec）进行向量化会导致文档向量不一致，然后为用户的输入计算一个向量（可能只是几个术语/句子比较了 doc2vec 模型在哪里训练的文档每个文档将包含 100 或 1000 个单词）尝试查找 k-Nearest Neighbors 会由于缺少特征而产生不正确的结果。

因此，我继续使用 more_like_this 查询，与 kNN 相比，它的工作类似，而与用户输入的大小无关，因为我只对分析文本字段感兴趣。

但是当我在 elasticsearch 中索引数百万个文档时，我担心性能。文档说使用 term_vector 在索引时存储术语向量可以加快分析速度。 但我不明白的是文档在这种情况下指的是哪种类型的术语向量。因为存在三种不同类型的术语向量：术语信息、术语统计和字段统计。 并且术语统计和字段统计计算术语相对于索引中其他文档的频率，当我在索引中引入新文档时，这些向量不会过时。 因此，我假设 more_like_this 文档是指术语信息（这是一个特定文档中的术语信息，与其他文档无关）。

谁能告诉我在索引时仅计算术语信息向量是否足以加速 more_like_this？

Answer 1

不用担心term vectors会过时，因为它们是为每个文档存储的，所以它们会分别更新。

对于更多这样的内容，只需拥有term_vectors:yes 就足够了，您不需要偏移量和位置。所以，如果你不打算使用突出显示，你应该只使用默认的。

因此，对于您的文本字段，您需要有这样的映射，这足以加速 MLT 的执行：

{
  "mappings": {
    "properties": {
      "text": {
        "type":        "text",
        "term_vector": "yes"
      }
    }
  }
}