使用同义词、复数和拼写错误进行 ElasticSearch / 嵌套搜索

Question

我想做一个实现以下项目的搜索。

现在我已经通过正则表达式实现了所有这些，但它远未涵盖所有内容，我想知道我可以在多大程度上使用 ElasticSearch：

• 同义词

  我的理解是这个是在创建索引的时候实现的。

  indexSettings.Analysis.TokenFilters.Add("synonym", new SynonymTokenFilter { Synonyms = new[] { "tire => tyre", "aluminum => aluminium" }, IgnoreCase = true, Tokenizer = "whitespace" }) ;

  但是我还需要包含复数吗？或者，

• 单数词（shoes 和 shoe 应该是同一个匹配）

  这是否意味着我需要将“鞋子”放在同义词列表中？还是有其他方法？

• 应该允许小的拼写错误、替换和遗漏

  这样 'automobile'、'automoble' 或 'automoblie' 会匹配。我不知道这是否可能。

• 忽略所有停用词

  现在我正在通过正则表达式删除所有“the”、“this”、“my”等

我所有的搜索词都是简单的英文单词和数字；其他都不允许。

Answer 1

这一切都可以通过 Elasticsearch 中的 configuring/writing a custom analyzer 实现。依次回答每个问题：

同义词

可以在索引时间、搜索时间或同时应用同义词。无论您选择哪种方法，都需要权衡取舍

• 与在搜索时应用相比，在索引时应用同义词将导致更快的搜索，但代价是更多的磁盘空间、索引吞吐量以及添加/删除现有同义词的简便性和灵活性
• 在搜索时应用同义词可以提高灵活性，但会降低搜索速度。

还需要考虑同义词列表的大小以及更改频率（如果有的话）。我会考虑两种方法都尝试，然后决定哪种方法最适合您的场景和要求。

单数词（shoes 和 shoe 应该是同一个匹配）

您可以考虑使用stemming 将复数和单数单词简化为其根形式，使用基于算法或字典的词干分析器。也许从English Snowball stemmer 开始，看看它是如何为您工作的。

您还应该考虑是否需要同时索引原始单词形式，例如精确词匹配在词根形式上的排名应该高于词干词吗？

应该允许小的拼写错误、替换和遗漏

考虑使用可利用fuzziness 处理拼写错误的查询。如果索引数据中存在拼写错误，请考虑在索引之前进行某种形式的清理。根据所有数据存储，Garbage In，Garbage Out :)

忽略所有停用词

使用English Stop token filter 删除停用词。

将所有这些放在一起，一个示例分析器可能看起来像

void Main()
{
    var pool = new SingleNodeConnectionPool(new Uri("http://localhost:9200"));
    var defaultIndex = "default-index";
    var connectionSettings = new ConnectionSettings(pool)
        .DefaultIndex(defaultIndex);

    var client = new ElasticClient(connectionSettings);

    if (client.IndexExists(defaultIndex).Exists)
        client.DeleteIndex(defaultIndex);

    client.CreateIndex(defaultIndex, c => c
        .Settings(s => s
            .Analysis(a => a
                .TokenFilters(t => t
                    .Stop("my_stop", st => st
                        .StopWords("_english_", "i've")
                        .RemoveTrailing()
                    )
                    .Synonym("my_synonym", st => st
                        .Synonyms(
                            "dap, sneaker, pump, trainer",
                            "soccer => football"
                        )
                    )
                    .Snowball("my_snowball", st => st
                        .Language(SnowballLanguage.English)
                    )
                )
                .Analyzers(an => an
                    .Custom("my_analyzer", ca => ca
                        .Tokenizer("standard")
                        .Filters(
                            "lowercase",
                            "my_stop",
                            "my_snowball",
                            "my_synonym"
                        )
                    )
                )
            )
        )
        .Mappings(m => m
            .Map<Message>(mm => mm
                .Properties(p => p
                    .Text(t => t
                        .Name(n => n.Content)
                        .Analyzer("my_analyzer")
                    )
                )
            )
        )
    );

    client.Analyze(a => a
        .Index(defaultIndex)
        .Field<Message>(f => f.Content)
        .Text("Loving those Billy! Them is the maddest soccer trainers I've ever seen!")
    );
}

public class Message
{
    public string Content { get; set; }
}

my_analyzer 为上面生成以下标记

{
  "tokens" : [
    {
      "token" : "love",
      "start_offset" : 0,
      "end_offset" : 6,
      "type" : "<ALPHANUM>",
      "position" : 0
    },
    {
      "token" : "those",
      "start_offset" : 7,
      "end_offset" : 12,
      "type" : "<ALPHANUM>",
      "position" : 1
    },
    {
      "token" : "billi",
      "start_offset" : 13,
      "end_offset" : 18,
      "type" : "<ALPHANUM>",
      "position" : 2
    },
    {
      "token" : "them",
      "start_offset" : 20,
      "end_offset" : 24,
      "type" : "<ALPHANUM>",
      "position" : 3
    },
    {
      "token" : "maddest",
      "start_offset" : 32,
      "end_offset" : 39,
      "type" : "<ALPHANUM>",
      "position" : 6
    },
    {
      "token" : "football",
      "start_offset" : 40,
      "end_offset" : 46,
      "type" : "SYNONYM",
      "position" : 7
    },
    {
      "token" : "trainer",
      "start_offset" : 47,
      "end_offset" : 55,
      "type" : "<ALPHANUM>",
      "position" : 8
    },
    {
      "token" : "dap",
      "start_offset" : 47,
      "end_offset" : 55,
      "type" : "SYNONYM",
      "position" : 8
    },
    {
      "token" : "sneaker",
      "start_offset" : 47,
      "end_offset" : 55,
      "type" : "SYNONYM",
      "position" : 8
    },
    {
      "token" : "pump",
      "start_offset" : 47,
      "end_offset" : 55,
      "type" : "SYNONYM",
      "position" : 8
    },
    {
      "token" : "ever",
      "start_offset" : 61,
      "end_offset" : 65,
      "type" : "<ALPHANUM>",
      "position" : 10
    },
    {
      "token" : "seen",
      "start_offset" : 66,
      "end_offset" : 70,
      "type" : "<ALPHANUM>",
      "position" : 11
    }
  ]
}