1、题记
题出有因:

有位医生朋友在QQ留言,说对于专业词汇,检索不到怎么办?

举例:搜索:痉湿暍病 结合了国内的多款分词插件,竟然搜索不到?

2、共性认知
2.1 为什么需要分词?
wildcard模糊匹配不也可以全字段模糊查询,进而得到结果呢?
但是,当文档结果集非常大,模糊匹配必然会有性能问题。

搜索引擎的为什么能快速检索到自己查询的关键字呢?倒排索引是以O(1)时间复杂度,一招解决问题的关键。

没有词语,怎么建立索引呢?于是,我们需要中文分词!

并且分词发生在用户查询和服务器建立索引时。

2.2 查全率 VS 查准率
查全率=(检索出的相关信息量/系统中的相关信息总量)100%

查准率=(检索出的相关信息量/检索出的信息总量)100%

前者是衡量检索系统和检索者检出相关信息的能力,后者是衡量检索系统和检索者拒绝非相关信息的能力。两者合起来,即表示检索效率。

3、Elasticsearch 多种检索类型选型指南
3.1 match检索
含义:精细化切词匹配,只要待匹配的语句中,有一个满足检索结果,就能匹配到。

场景:结果可能达不到实际开发预期。实际业务中但凡有精准度要求的都较少或几乎不使用。

举例:

1PUT doctor_index/_doc/4
2{
3 "content":"刘强东方才只是睡觉了,并没有违法"
4}

我输入检索词

“小王睡觉”

,也能匹配到上面的content。

3.2match_phrase:短语匹配
含义:相比match,更强调多个分词结果和顺序,都要完整匹配才能检索到。
场景:实战应用中会较多使用,结合slop调整顺序和精度。

3.3 query_string
含义:支持与(AND)、或(OR)、非(NOT)的匹配。

场景:有与或非多值匹配的场景,无需单独再开发,开箱即用。底层的关键词实际走的是match_phrase,

不过多个参数(如:default_operator,phrase_slop等)可控制调整精度。
举例:

1GET /_search
2{
3 "query": {
4 "query_string" : {
5 "default_field" : "content",
6 "query" : "刘强东 AND 无罪"
7 }
8 }
9}

4、为什么会检索不到?
结合几个典型例子,实践分析一把。

4.1 分词原因/词典未收录原因
举例:

1PUT doctor_index/_doc/3
2{
3 "content":"佟大为老婆生了孩子"
4}
5POST doctor_index/_search
6{
7"profile":"true",
8 "query": {
9 "match_phrase": {
10 "content": "佟大"
11 }
12 }
13}

包含”佟大”,但是短语匹配搜索不到。
原因分析:
来看看切词,

1GET /_analyze
2{
3 "text":"佟大为老婆生了孩子",
4 "analyzer": "ik_max_word"
5}

token start_offset end_offset position
佟大为


0

3


0

大为

1

3

1

1

2

2

2

3

3

老婆

3

5

4

3

4

5

4

5

6

生了

5

7

7

5

6

8

6

7

9

孩子

7

9

10

搜索:佟大,如果执意也要搜出结果呢?

token start_offset end_offset position


0

1


0

1

2

1

分析可知:佟大两个字组成的连词,没有作为词组分配的,所以匹配不到。

4.2 postition位置不一致。
假定我字典里面没有收录“刘强东”这个人名。
举例:

1PUT doctor_index/_doc/4
2{
3 "content":"刘强东方才只是睡觉了,并没有违法"
4}
5POST doctor_index/_search
6{
7 "query": {
8 "match_phrase": {
9 "content": "刘强东"
10 }
11 }
12}

原因分析:

token position
刘强


0

东方

1

方才

2

3

4

只是

5

睡觉

6

7

觉了

8

9

10

并没有

11

并没

12

13

没有

14

15

违法

16

17

而刘强东的分词结果是:

token position
刘强


0

1

match_phrase匹配必须:

position一致,可以上下对比一下,由于东方组成了短语,导致结果position不一致,匹配结果检索不到。

5、如何让存在的字符都能搜索到呢?
5.1 关于match_phrase的精确度问题
方案一:match_phrase_prefix结合slop的方案
参见:Elasticsearch实战 | match_phrase搜不出来,怎么办?

但是,事后分析发现:slop设置不论多大、多小,都可能会引入噪音数据,导致结果不准确。

方案二:match_phrase结合match should关联匹配。
缺点:依然会引入噪音数据。

5.2 参考阿里云的实践思路,采取:逐个字分词和ik分词结合的方式。
单字分词应用场景——对于像姓名类字段,业务上需要支持完整匹配,又需要支持单字查询。可以配置1个keyword字段(不分词);

1个text字段(分词),分词器选择Elasticsearch默认分词器standard,按单个汉字切分。

5.3 实践一把
我们处理问题的前提:提升查全率。

1PUT mx_index
2{
3 "mappings": {
4 "_doc": {
5 "properties": {
6 "content": {
7 "type": "text",
8 "analyzer": "ik_max_word",
9 "fields": {
10 "standard": {
11 "type": "text",
12 "analyzer": "standard"
13 },
14 "keyword": {
15 "type": "keyword",
16 "ignore_above": 256
17 }
18 }
19 }
20 }
21 }
22 }
23}
24
25PUT mx_index/_doc/1
26{
27 "content":"佟大为老婆生了孩子"
28}
29
30POST mx_index/_search
31{
32 "query": {
33 "bool": {
34 "should": [
35 {
36 "match_phrase": {
37 "content": "佟大"
38 }
39 },
40 {
41 "match_phrase": {
42 "content.standard": "佟大"
43 }
44 }
45 ]
46 }
47 }
48}

6、小结
不是放之四海而皆准的实现方式。要看你的系统对查全率和查准率的要求了,正常的业务场景:

1)动态更新词库、词典;

2)match_phrase结合slop就能解决问题。

所以,一定要结合自己的业务场景。
相信这么处理,开头医生的需求也能实现了。