search - ElasticSearch - 搜索人名

Question

我有一个很大的名字数据库，主要来自苏格兰。我们目前正在制作一个原型(prototype)来替换执行搜索的现有软件。这仍在生产中，我们的目标是使我们的结果尽可能接近同一搜索的当前结果。

我希望有人能帮助我，我正在搜索 Elastic Search，查询是“Michael Heaney”，我得到了一些奇怪的结果。当前搜索返回两个主要姓氏，它们是“Heaney”和“Heavey”，它们的名字都是“Michael”，我可以在 Elastic Search 中获得“Heaney”的结果，但是我也无法获得“Heavey”和 ES返回没有姓氏“迈克尔”的人，但我很欣赏这是因为它是模糊查询的一部分。我知道这是一个狭窄的用例，因为它只是一次搜索，但获得这个结果并知道如何获得它会有所帮助。

谢谢。

映射

{
   "jr": {
    "_all": {
        "enabled": true,
        "index_analyzer": "index_analyzer",
        "search_analyzer": "search_analyzer"
    },
    "properties": {
        "pty_forename": {
            "type": "string",
            "index": "analyzed",
            "boost": 2,
            "index_analyzer": "index_analyzer",
            "search_analyzer": "search_analyzer",
            "store": "yes"
        },
        "pty_full_name": {
            "type": "string",
            "index": "analyzed",
            "boost": 4,
            "index_analyzer": "index_analyzer",
            "search_analyzer": "search_analyzer",
            "store": "yes"
        },
        "pty_surname": {
            "type": "string",
            "index": "analyzed",
            "boost": 4,
            "index_analyzer": "index_analyzer",
            "search_analyzer": "search_analyzer",
            "store": "yes"
        }
     }
   }
}'

索引设置

{
  "settings": {
    "number_of_shards": 2,
    "number_of_replicas": 0,
    "analysis": {
        "analyzer": {
            "index_analyzer": {
                "tokenizer": "standard",
                "filter": [
                    "standard",
                    "my_delimiter",
                    "lowercase",
                    "stop",
                    "asciifolding",
                    "porter_stem",
                    "my_metaphone"
                ]
            },
            "search_analyzer": {
                "tokenizer": "standard",
                "filter": [
                    "standard",
                    "my_metaphone",
                    "synonym",
                    "lowercase",
                    "stop",
                    "asciifolding",
                    "porter_stem"
                ]
            }
        },
        "filter": {
            "synonym": {
                "type": "synonym",
                "synonyms_path": "synonyms/synonyms.txt"
            },
            "my_delimiter": {
                "type": "word_delimiter",
                "generate_word_parts": true,
                "catenate_words": false,
                "catenate_numbers": false,
                "catenate_all": false,
                "split_on_case_change": false,
                "preserve_original": false,
                "split_on_numerics": false,
                "stem_english_possessive": false
            },
            "my_metaphone": {
                "type": "phonetic",
                "encoder": "metaphone",
                "replace": false
            }
        }
     }
   }
}'

模糊

{
"from":0, "size":100,
"query": {
    "bool": {
        "should": [
            {
                "fuzzy": {
                    "pty_surname": {
                        "min_similarity": 0.2,
                        "value": "Heaney",
                        "prefix_length": 0,
                        "boost": 5
                    }
                }
            },
            {
                "fuzzy": {
                    "pty_forename": {
                        "min_similarity": 1,
                        "value": "Michael",
                        "prefix_length": 0,
                        "boost": 1
                    }
                }
            }
        ]
     }
  }
}

Answer 1

首先，我在 Play 中重新创建了您当前的配置:https://www.found.no/play/gist/867785a709b4869c5543

如果你去那里，切换到“分析”选项卡以查看文本是如何转换的:

请注意，例如 Heaney 最终被标记化为 [hn, heanei] 与 search_analyzer 和 [HN, heanei] 与 index_analyzer。注意变音位术语的大小写差异。因此，那个不匹配。

模糊-查询不进行查询时文本分析。因此，您最终会将 Heavey 与 heanei 进行比较。这有一个 Damerau-Levenshtein distance比您的参数允许的时间长。

您真正想做的是使用match 的模糊功能。 Match确实进行查询时间文本分析，并且有一个模糊度参数。

至于模糊性，这在 Lucene 4 中有所改变。之前，它通常被指定为 float 。现在它应该被指定为允许的距离。有一个未完成的拉取请求来澄清:https://github.com/elasticsearch/elasticsearch/pull/4332/files

为什么你得到的人没有名字 Michael 是因为你正在做一个 bool.should。这具有 OR 语义。匹配一次就够了，但从得分上看，匹配的越多越好。

最后，将所有过滤组合到同一个术语中不一定是最好的方法。例如，您无法知道和提高准确的拼写。您应该考虑使用 multi_field以多种方式处理该字段。

Here's an example you can play with ，使用 curl 命令在下面重新创建它。但是，我会完全跳过使用“搬运工”词干分析器。我保留它只是为了展示 multi_field 是如何工作的。使用匹配、模糊匹配和语音匹配的组合应该会让你走得更远。 (确保在进行语音匹配时不允许模糊 - 否则你会得到无用的模糊匹配。:-)

#!/bin/bash

export ELASTICSEARCH_ENDPOINT="http://localhost:9200"

# Create indexes

curl -XPUT "$ELASTICSEARCH_ENDPOINT/play" -d '{
    "settings": {
        "analysis": {
            "text": [
                "Michael",
                "Heaney",
                "Heavey"
            ],
            "analyzer": {
                "metaphone": {
                    "type": "custom",
                    "tokenizer": "standard",
                    "filter": [
                        "my_metaphone"
                    ]
                },
                "porter": {
                    "type": "custom",
                    "tokenizer": "standard",
                    "filter": [
                        "lowercase",
                        "porter_stem"
                    ]
                }
            },
            "filter": {
                "my_metaphone": {
                    "encoder": "metaphone",
                    "replace": false,
                    "type": "phonetic"
                }
            }
        }
    },
    "mappings": {
        "jr": {
            "properties": {
                "pty_surename": {
                    "type": "multi_field",
                    "fields": {
                        "pty_surename": {
                            "type": "string",
                            "analyzer": "simple"
                        },
                        "metaphone": {
                            "type": "string",
                            "analyzer": "metaphone"
                        },
                        "porter": {
                            "type": "string",
                            "analyzer": "porter"
                        }
                    }
                }
            }
        }
    }
}'


# Index documents
curl -XPOST "$ELASTICSEARCH_ENDPOINT/_bulk?refresh=true" -d '
{"index":{"_index":"play","_type":"jr"}}
{"pty_surname":"Heaney"}
{"index":{"_index":"play","_type":"jr"}}
{"pty_surname":"Heavey"}
'

# Do searches

curl -XPOST "$ELASTICSEARCH_ENDPOINT/_search?pretty" -d '
{
    "query": {
        "bool": {
            "should": [
                {
                    "bool": {
                        "should": [
                            {
                                "match": {
                                    "pty_surname": {
                                        "query": "heavey"
                                    }
                                }
                            },
                            {
                                "match": {
                                    "pty_surname": {
                                        "query": "heavey",
                                        "fuzziness": 1
                                    }
                                }
                            },
                            {
                                "match": {
                                    "pty_surename.metaphone": {
                                        "query": "heavey"
                                    }
                                }
                            },
                            {
                                "match": {
                                    "pty_surename.porter": {
                                        "query": "heavey"
                                    }
                                }
                            }
                        ]
                    }
                }
            ]
        }
    }
}
'