c# - 处理 Azure 认知搜索中的单数和复数搜索词

Question

我们使用 Azure 认知搜索作为搜索图像的搜索引擎。该分析器是 Lucene 标准，当用户搜索“苏格兰风景”时，我们的一些用户声称他们的图像丢失了。然后，他们必须在图像中添加关键字“风景”，以便搜索引擎可以找到它们。

将分析器更改为“en-lucene”或“en-microsoft”似乎只会获得更小的搜索结果，我们的用户不喜欢这样。

Azure 认知搜索似乎不区分单数和复数单词。为了解决这个问题，我在数据库中创建了一个字典，使用了词形变化并尝试操作搜索词:

foreach (var term in terms)
{                
    if (ps.IsSingular(term))
    {
        // check with db 
        var singular = noun.GetSingularWord(term);
        if (!string.IsNullOrEmpty(singular))
        {
            var plural = ps.Pluralize(term);
            keywords = keywords + " " + plural;
        }
    }
    else
    {
        // check with db
        var plural = noun.GetPluralWord(term);
        if (!string.IsNullOrEmpty(plural))
        {
            var singular = ps.Singularize(term);
            keywords = keywords + " " + singular;
        }
    }
}

我的解决方案并不是 100% 理想，但如果 Azure 认知搜索能够区分单数和复数单词就更好了。

更新:自定义分析器可能是我问题的答案，我只需要找到正确的 token 过滤器。

更新:下面是我的自定义分析器。它删除了 html 结构、撇号、停用词并将它们转换为小写。分词器是 MicrosoftLanguageStemmingTokenizer，它将单词减少为其根词，因此它适合复数到单数的场景(搜索“landscapes”返回“landscapes”和“landscape”)

"analyzers": [      
      {
          "name": "p4m_custom_analyzer",
          "@odata.type": "#Microsoft.Azure.Search.CustomAnalyzer",
          "charFilters": [
              "html_strip",              
              "remove_apostrophe"              
          ],
          "tokenizer": "custom_tokenizer",
          "tokenFilters": [
              "lowercase",
              "remove_stopwords"                                                                     
          ]
      }
  ],
  "charFilters": [          
      {
          "name": "remove_apostrophe",
          "@odata.type":"#Microsoft.Azure.Search.MappingCharFilter",
          "mappings": ["'=>"]
      }
  ],
  "tokenizers": [
      {
          "name": "custom_tokenizer",
          "@odata.type":"#Microsoft.Azure.Search.MicrosoftLanguageStemmingTokenizer",
          "isSearchTokenizer": "false"          
      }
  ],
  "tokenFilters": [      
      {
          "name": "remove_stopwords",
          "@odata.type": "#Microsoft.Azure.Search.StopwordsTokenFilter"          
      }     
  ]

我还没有想出相反的办法。如果用户搜索“apple”，它应该返回“apple”和“apples”。

Answer 1

en.lucene 和 en.microsoft 都应该对此有所帮助，您不需要手动扩展您这边的变化。我很惊讶地听到你对他们的内存减少了。一般来说，我希望这些分析仪比标准分析仪有更高的召回率。您是否有使用不同分析器的多个可搜索字段？那可能会干扰。否则，最好看到一个特定的案例(查询/文档对以及索引定义)来进一步调查。

作为快速测试，我使用了这个小索引定义:

{
    "name": "inflections",
    "fields": [
        {
            "name": "id",
            "type": "Edm.String",
            "searchable": false,
            "filterable": true,
            "retrievable": true,
            "sortable": false,
            "facetable": false,
            "key": true
        },
        {
            "name": "en_ms",
            "type": "Edm.String",
            "searchable": true,
            "filterable": false,
            "retrievable": true,
            "sortable": false,
            "facetable": false,
            "key": false,
            "analyzer": "en.microsoft"
        }
    ]
}

这些文档:

{
    "id": "1",
    "en_ms": "example with scottish landscape as part of the sentence"
},
{
    "id": "2",
    "en_ms": "this doc has one apple word"
},
{
    "id": "3",
    "en_ms": "this doc has two apples in it"
}

对于此搜索search=landscapes，我看到以下结果:

{
    "value": [
        {
            "@search.score": 0.9631388,
            "id": "1",
            "en_ms": "example with scottish landscape as part of the sentence"
        }
    ]
}

对于 search=apple 我看到:

{
    "value": [
        {
            "@search.score": 0.51188517,
            "id": "3",
            "en_ms": "this doc has two apples in it"
        },
        {
            "@search.score": 0.46152657,
            "id": "2",
            "en_ms": "this doc has one apple word"
        }
    ]
}