关闭

Lucene+Solr+ElasticSearch查询匹配优化

1132人阅读 评论(2) 收藏 举报
分类:
当我们在处理搜索业务时候,需求往往是灵活多变的,有时候我们需要精确匹配,有时候我们又需要全文检索,而有时候,我们又想匹配度高而且还能全文检索,这似乎是精确匹配和模糊匹配一个妥协的策略,没错这就是搜索引擎出现的目的,以往的数据库是没法解决这种问题的,数据库只能回答有,没有,存在,不存在,并不能在有和没有之间做一个完美的妥协,比如说能把最匹配最相关的结果放在topN,仅靠like模糊查询是解决不了这种问题的。 


Apache Lucene这个强大的全文检索核心包,提供了搜索引擎的核心组件,通过相关性评分算法(VSM/BM25),出色的了解决了相关性匹配问题,当然Solr和ElasticSearch构建在Lucene之上,自然也继承了这种优秀的能力。 

默认情况下,Lucene/Solr/ES的Boolean查询有三种查询策略: 
(1)必须匹配 -> must 
(2)必须不匹配 -> mustn't 
(3)至少匹配一个 ->should 

除此之外,对于分词字段,我们还可以通过 最小匹配查询(Minimum Should Match)来灵活控制查询策略 

举个例子: 北京奇虎科技有限公司 

使用IK最细粒度分词后内容:北京/奇虎/科技/有限公司/有限/有/限/公司 


我们可以通过defType=edismax&mm=100%25来控制term最小命中的个数,下面来看下mm参数的详细解释: 

语法一:mm=3  代表至少匹配3个term,不管总term有多少个,如果查询词分词后的term个数小于3,那么就以最小的这个term数为基准进行查询 
语法二:-2    允许返回的结果里面,最多有2个不匹配term,其他的必须都匹配,这是一种反向用法 
语法三:mm=75% 允许返回的结果里面,至少有75%匹配度,如果不能整除,则采取进一法来得到最小匹配个数,比如计算值=3.75,那么这个mm就等于3,如果等于0.6这个等于0 
语法四:mm=-25% 反向设置,返回的结果里面最多有25%的不匹配 
语法五:3<90%  如果一个字段分词后的term数,小于等于3,则要求全部匹配,如果大于3,则要求90%的匹配度 
语法六:2<-25% 9<-3  小于2个term,要求全部匹配,如果是3-9个要求100%-25%=75%匹配,如果大于9个,则最多允许有3个不匹配term出现 


情景1:查询北京奇虎+mm=3 能查询到北京奇虎科技有限公司 
情景2:查询北京奇虎360+mm=3 不能查询到北京奇虎科技有限公司 
情景3:查询北京奇虎360+mm=2 能查询到北京奇虎科技有限公司 
情景4:查询北京奇虎360+mm=80%(3*80%=2.4=2) 能查询到北京奇虎科技有限公司 
情景5:查询北京奇虎360+mm=-10%((3-3*0.1(减一法等0))=3)不能查询到北京奇虎科技有限公司 


总结: 

对于分词后term数少的,适合采用固定数进行查询限制优化查询 
对于分词后term数多的,适合采用百分比进行查询限制优化 
mm=0% 代表最少匹配查询词里面出现的任意一个term 
mm=100% 代表必须匹配查询词里面所有出现的term 

大家可在自己的场景中,不断反复测试,以找到合适的阈值,从而避免查询结果集过大,有太多不相关的数据或者查询结果集偏小漏掉一些相关的数据。 


参考资料: 
https://cwiki.apache.org/confluence/display/solr/The+DisMax+Query+Parser#TheDisMaxQueryParser-Themm(MinimumShouldMatch)Parameter 
https://www.elastic.co/guide/en/elasticsearch/reference/current/query-dsl-minimum-should-match.html 
0
0

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:179748次
    • 积分:2893
    • 等级:
    • 排名:第12316名
    • 原创:140篇
    • 转载:4篇
    • 译文:0篇
    • 评论:29条
    文章分类
    联系方式
    个人QQ:951514291
    大数据群:376932160
    搜索技术群1:454090046
    搜索技术群2:206247899
    公众号:woshigcs
    最新评论