[Elasticsearch] 邻近匹配 (二) - 多值字段，邻近程度与相关度

多值字段(Multivalue Fields)

在多值字段上使用短语匹配会产生古怪的行为：

PUT /my_index/groups/1
{
    "names": [ "John Abraham", "Lincoln Smith"]
}

执行一个针对Abraham Lincoln的短语查询：

GET /my_index/groups/_search
{
    "query": {
        "match_phrase": {
            "names": "Abraham Lincoln"
        }
    }
}

令人诧异的是，以上的这份文档匹配了查询。

即使Abraham以及Lincoln分属于name数组的两个人名中。

发生这个现象的原因在于数组在ES中的索引方式。

当John Abraham被解析时。它产生例如以下信息：

• 位置1：john
• 位置2：abraham

然后当Lincoln Smith被解析时。它产生了：

• 位置3：lincoln
• 位置4：smith

换言之，ES对以上数组分析产生的词条列表和解析单一字符串John Abraham Lincoln Smith时产生的结果是一样的。在我们的查询中。我们查询邻接的abraham和lincoln，而这两个词条在索引中确实存在而且邻接，因此查询匹配了。

幸运的是，有一个简单的方法来避免这样的情况。通过position_offset_gap參数，它在字段映射中进行配置：

DELETE /my_index/groups/ 

PUT /my_index/_mapping/groups
{
    "properties": {
        "names": {
            "type":                "string",
            "position_offset_gap": 100
        }
    }
}

position_offset_gap设置告诉ES须要为数组中的每一个新元素设置一个偏差值。因此，当我们再索引以上的人名数组时，会产生例如以下的结果：

• 位置1：john
• 位置2：abraham
• 位置103：lincoln
• 位置104：smith

如今我们的短语匹配就无法匹配该文档了。由于abraham和lincoln之间的距离为100。你必需要加入一个值为100的slop的值才干匹配。

越近越好(Closer is better)

短语查询(Phrase Query)仅仅是简单地将不含有精确查询短语的文档排除在外，而邻近查询(Proximity Query) - 一个slop值大于0的短语查询 - 会将查询词条的邻近度也考虑到终于的相关度_score中。

通过设置一个像50或100这种高slop值，你能够排除那些单词过远的文档。可是也给予了那些单词邻近的文档一个更高的分值。

以下针对quick dog的邻近查询匹配了含有quick和dog的两份文档，可是给与了quick和dog更加邻近的文档一个更高的分值：

POST /my_index/my_type/_search
{
   "query": {
      "match_phrase": {
         "title": {
            "query": "quick dog",
            "slop":  50
         }
      }
   }
}

{
  "hits": [
     {
        "_id":      "3",
        "_score":   0.75,
        "_source": {
           "title": "The quick brown fox jumps over the quick dog"
        }
     },
     {
        "_id":      "2",
        "_score":   0.28347334,
        "_source": {
           "title": "The quick brown fox jumps over the lazy dog"
        }
     }
  ]
}

使用邻近度来提高相关度

虽然邻近度查询(Proximity Query)管用，可是全部的词条都必须出如今文档的这一要求显的过于严格了。这个问题和我们在全文搜索(Full-Text
Search)一章的精度控制(Controlling
Precision)一节中讨论过的类似：假设7个词条中有6个匹配了，那么该文档或许对于用户而言已经足够相关了，可是match_phrase查询会将它排除在外。

相比将邻近度匹配作为一个绝对的要求。我们能够将它当做一个信号(Signal) - 作为众多潜在匹配中的一员，会对每份文档的终于分值作出贡献(參考多数字段(Most
Fields))。

我们须要将多个查询的分值累加这一事实表示我们应该使用bool查询将它们合并。

我们能够使用一个简单的match查询作为一个must子句。该查询用于决定哪些文档须要被包括到结果集中。能够通过minimum_should_match參数来去除长尾(Long tail)。

然后我们以should子句的形式加入很多其它特定查询。每一个匹配了should子句的文档都会添加其相关度。

GET /my_index/my_type/_search
{
  "query": {
    "bool": {
      "must": {
        "match": {
          "title": {
            "query":                "quick brown fox",
            "minimum_should_match": "30%"
          }
        }
      },
      "should": {
        "match_phrase": {
          "title": {
            "query": "quick brown fox",
            "slop":  50
          }
        }
      }
    }
  }
}

毫无疑问我们能够向should子句中加入其他的查询，每一个查询都用来添加特定类型的相关度。