Elasticsearch能检索出来,但不能正确高亮怎么办?

发布于 2022-4-26 15:18
浏览
0收藏

Elasticsearch能检索出来,但不能正确高亮怎么办?-开源基础软件社区

Elasticsearch能检索出来,但不能正确高亮怎么办?-开源基础软件社区

 

注:本文示例DSL在7.2版本运行ok,6.X之前早期版本可能需要微调。

Elasticsearch能检索出来,但不能正确高亮怎么办?-开源基础软件社区

高亮检索结果,

Elasticsearch能检索出来,但不能正确高亮怎么办?-开源基础软件社区

也就是说整个串都被高亮了,没有达到预期。

 

实际需求:搜索1602,相关数据:160213.O、160218.OF都能召回,且仅高亮搜索字段1602

 

Elasticsearch能检索出来,但不能正确高亮怎么办?-开源基础软件社区
 •  检索选型wildcard是为了解决子串能匹配的问题,wildcard的实现类似mysql的“like”模糊匹配。
 

•  传统的text标准分词器,包括中文分词器ik、英文分词器english、standard等都不能解决上述子串匹配问题。

 

而实际业务需求:

 

一方面:要求输入子串召回全串;

 

另一方面:要求高亮检索的子串。

 

只能更换一种分词Ngram来实现了!

Elasticsearch能检索出来,但不能正确高亮怎么办?-开源基础软件社区
4.1 Ngram定义


Ngram是一种基于统计语言模型的算法。

 

Ngram基本思想:是将文本里面的内容按照字节进行大小为N的滑动窗口操作,形成了长度是N的字节片段序列。每一个字节片段称为gram,对所有gram的出现频度进行统计,并且按照事先设定好的阈值进行过滤,形成关键gram列表,也就是这个文本的向量特征空间,列表中的每一种gram就是一个特征向量维度。

 

该模型基于这样一种假设,第N个词的出现只与前面N-1个词相关,而与其它任何词都不相关,整句的概率就是各个词出现概率的乘积。

 

这些概率可以通过直接从语料中统计N个词同时出现的次数得到。常用的是二元的Bi-Gram(二元语法)和三元的Tri-Gram(三元语法)。

 

4.2 Ngram举例
中文句子:“你今天吃饭了吗”,它的Bi-Gram(二元语法)分词结果为:

Elasticsearch能检索出来,但不能正确高亮怎么办?-开源基础软件社区

4.3 Ngram 应用场景


 •  场景1:文本压缩、检查拼写错误、加速字符串查找、文献语种识别。
 •  场景2:自然语言处理自动化领域得到新的应用,如自动分类、自动索引、超链的自动生成、文献检索、无分隔符语言文本的切分等。
 •  场景3:自然语言的自动分类功能。对应到Elasticsearch检索,应用场景就更加明确:无分隔符语言文本的切分分词,提高检索效率(相比:wildcard 查询和正则查询)。
Elasticsearch能检索出来,但不能正确高亮怎么办?-开源基础软件社区Elasticsearch能检索出来,但不能正确高亮怎么办?-开源基础软件社区

注意:三个核心参数

 

 •  min_gram:最小字符长度(切分),默认为1
 •  max_gram:最大字符长度(切分),默认为2
 •  token_chars:生成的分词结果中包含的字符类型,默认是全部类型。如上的示例中代表:保留数字、字母。若上述示例中,只指定  "letter",则数字就会被过滤掉,分词结果只剩下串中的字符如:"OF"。

 

返回结果截取片段如下:

Elasticsearch能检索出来,但不能正确高亮怎么办?-开源基础软件社区

已经能满足检索和高亮的双重需求。

 

Elasticsearch能检索出来,但不能正确高亮怎么办?-开源基础软件社区
 •  Ngram的本质:用空间换时间。其能匹配的前提是写入的时候已经按照:min_gram、max_gram切词。
 •  数据量非常少且不要求子串高亮,可以考虑keyword。
 •  数据量大且要求子串高亮,推荐使用:Ngram分词结合match或者match_phrase检索实现。
 •  数据量大,切记不要使用wildcard前缀匹配!
    原因:带有通配符的pattern构造出来的DFA(Deterministic Finite Automaton)可能会很复杂,开销很大!甚至可能导致线上环境宕机。
Wood大叔也 多次强调:wildcard query应杜绝使用通配符打头,实在不得已要这么做,就一定需要限制用户输入的字符串长度。
Elasticsearch能检索出来,但不能正确高亮怎么办?-开源基础软件社区
为讨论解决线上问题,引申出Ngram的原理和使用逻辑,并指出了wildcard和Ngram的适用业务场景。希望对实战中的你有所启发和帮助!

 

你在业务中遇到子串匹配和高亮的情况吗?你是如何分词和检索的?欢迎留言讨论。

收藏
回复
举报
回复
添加资源
添加资源将有机会获得更多曝光,你也可以直接关联已上传资源 去关联
    相关推荐