搜索名称：增加多值字段中近似匹配的相关性答案

【问题标题】：Searching names: increasing relevance for proximate matches in multivalued field搜索名称：增加多值字段中近似匹配的相关性
【发布时间】：2018-11-22 19:33:03
【问题描述】：

我正在尝试让名称字段在 Elasticsearch 中合理工作，但无法找到指导。请帮助我，互联网！

我的文档有多个作者，因此有一个多值名称字段。假设我要搜索 paul f tompkins，以及两个文档：{"authors": ["Paul Tompkins", "Dietrich Kohl"]} 和 {"authors": ["Paul Wang", "Darlene Tompkins"]}。

我的搜索将很容易地检索到这两个文档，但两者在authors 查询中的得分相同。我希望我在 authors 数组的同一项目中匹配多个术语以提高第一个文档的分数。

我该怎么做？我所知道的提高邻近度的两种技术是带状疱疹（我相信这会生成 paul_f 和 f_tompkins 带状疱疹，两者都不匹配）和带有 slop 的短语查询（由于 f 令牌而失败不存在）。

理想情况下，我想要一个类似于带有minimum_should_match 的短语 slop 查询：我给它四个单词，如果在同一个数组元素中至少存在两个单词，它匹配，并且在同一个数组元素中增加每个额外的匹配项分数。我不知道该怎么做。

（如果客户端逻辑试图从查询中去除f 对我来说是行不通的——这是一个简化的示例，但假设我也希望能够处理类似的查询paul francis tompkins 或 paul f tompkins there will be blood.)

【问题讨论】：

标签： elasticsearch search full-text-search

【解决方案1】：

两个文档得分相同的原因是作者字段是文本值数组。如果我们改变存储作者的方式，我们可以得到想要的结果。为此，让作者成为nested 类型。所以我们有以下映射：

"mappings": {
  "_doc": {
    "properties": {
      "authors": {
        "type": "nested",
        "properties": {
          "name": {
            "type": "text",
            "fields": {
              "raw": {
                "type": "keyword"
              }
            }
          }
        }
      }
    }
  }
}

注意：子字段 raw 可以用于其他一些场景，没有关系到解决方案。

现在让我们按如下方式索引文档：

文件 1：

{
  "authors": [
    {
      "name": "Paul Tompkins"
    },
    {
      "name": "Dietrich Kohl"
    }
  ]
}

文件 2：

{
  "authors": [
    {
      "name": "Paul Wang"
    },
    {
      "name": "Darlene Tompkins"
    }
  ]
}

让我们按如下方式查询它们：

{
  "explain": true,
  "query": {
    "nested": {
      "path": "authors",
      "query": {
        "query_string": {
          "query": "paul l tompkins",
          "fields": [
            "authors.name"
          ]
        }
      }
    }
  }
}

结果：

  "hits": {
    "total": 2,
    "max_score": 1.3862944,
    "hits": [
      {
        "_index": "test",
        "_type": "_doc",
        "_id": "1",
        "_score": 1.3862944,
        "_source": {
          "authors": [
            {
              "name": "Paul Tompkins"
            },
            {
              "name": "Dietrich Kohl"
            }
          ]
        }
      },
      {
        "_index": "test",
        "_type": "_doc",
        "_id": "2",
        "_score": 0.6931472,
        "_source": {
          "authors": [
            {
              "name": "Paul Wang"
            },
            {
              "name": "Darlene Tompkins"
            }
          ]
        }
      }
    ]
  }

注意：在查询中，我也使用了 explain:true。这给出了分数计算的解释。（我没有包括上面的解释输出，因为它很长。不过你可以试试）。

当我们查看评分机制时，我们可以看到查询嵌套字段和查询数组时的区别。从广义上讲，由于嵌套字段存储为单独的文档，因此 Doc 1 得分较高，因为子文档 1 即：

{
  "name": "Paul Tompkins"
}

将获得更高的分数，因为 paul 和 tompkins 这两个词都在同一个子文档中。

在数组的情况下，所有名称都属于同一字段，而不是单独的子文档，因此存在差异。

这样我们就可以达到预期的效果了。

【讨论】：