elasticsearch 模糊匹配 max_expansions & min_similarity

Question

我在我的项目中使用模糊匹配，主要是为了查找同名的拼写错误和不同拼写。我需要准确理解 Elasticsearch 的模糊匹配是如何工作的，以及它如何使用标题中提到的 2 个参数。

据我所知，min_similarity 是查询字符串与数据库中字符串匹配的百分比。我找不到有关如何计算此值的确切说明。

据我所知，ma​​x_expansions 是应该执行搜索的 Levenshtein 距离。如果这实际上是 Levenshtein 距离，那将是我的理想解决方案。无论如何，它不起作用例如我有单词“Samvel”

queryStr      max_expansions         matches?
samvel        0                      Should not be 0. error (but levenshtein distance   can be 0!)
samvel        1                      Yes
samvvel       1                      Yes
samvvell      1                      Yes (but it shouldn't have)
samvelll      1                      Yes (but it shouldn't have)
saamvelll     1                      No (but for some weird reason it matches with Samvelian)
saamvelll     anything bigger than 1 No

文档说了一些我实际上不理解的内容:

Add max_expansions to the fuzzy query allowing to control the maximum number 
of terms to match. Default to unbounded (or bounded by the max clause count in 
boolean query).

所以请任何人向我解释这些参数究竟如何影响搜索结果。

Answer 1

min_similarity 是介于零和一之间的值。来自 Lucene 文档:

For example, for a minimumSimilarity of 0.5 a term of the same length 
as the query term is considered similar to the query term if the edit 
distance between both terms is less than length(term)*0.5

所指的“编辑距离”是 Levenshtein distance .

这个查询在内部工作的方式是:

• 在考虑min_similarity 时，它会找到索引中存在的所有可以匹配搜索词的词
• 然后它会搜索所有这些字词。

你可以想象这个查询会有多繁重!

为了解决这个问题，您可以设置 max_expansions 参数来指定应考虑的最大匹配项数。