elasticsearch之Suggester

Suggester

本文是简单介绍并没有操作，参考文档： https://elasticsearch.cn/article/142
suggester是提供合适的建议。例如我们在搜索引擎中，输入我们需要查询的内容，搜索引擎根据用户输入搜索的过程中，进行自动补全或者纠错，通过协助用户输入更精准的关键词，提高后续全文搜索阶段文档匹配的程度。
Suggesters基本的运作原理是将输入的文本分解为token，然后在索引的字典里查找相似的term并返回。 根据使用场景的不同，Elasticsearch里设计了4种类别的Suggester，分别是:

• Term Suggester
• Phrase Suggester
• Completion Suggester
• Context Suggester

Term Suggester

根据用户输入的文本进行分词成各个token，基于索引给出每个token的建议。
下面是一个例子：

POST /blogs/_search
{ 
  "suggest": {
    "my-suggestion": {
      "text": "lucne rock",
      "term": {
        "suggest_mode": "missing",
        "field": "body"
      }
    }
  }
}

其中suggest表示在使用建议功能，my-suggestion自定义建议的名字，text：放入用户输入文本，term：表示在使用 Term Suggester，suggest_mode使用term建议模式 ，field使用该字段中的词给出建议。
例如上面将返回：

"suggest": {
    "my-suggestion": [
      {
        "text": "lucne",
        "offset": 0,
        "length": 5,
        "options": [
          {
            "text": "lucene",
            "score": 0.8,
            "freq": 2
          }
        ]
      },
      {
        "text": "rock",
        "offset": 6,
        "length": 4,
        "options": []
      }
    ]
  }

给出用户输入的lucne rock的两个建议（被分为两个token），其中lucne给的建议是lucene，rock并没有给出建议。
因为使用的suggest_mode决定的，他有三个可选择的值

• missing：仅仅提供索引中没有对应词项的建议
• popular：给出一个词频更高的建议（如果索引中没有存在，也是不给出的）
• always：每个token都必须给出建议。

其实这里面有很多的算法，该算法可以很好的推广到推荐系统中，算法是一切。

Phrase Suggester

term suggester是给出每个token建议，而phrase是基于用户的文本给出短语建议，利用各个term的逻辑性，给出完整的短语。
例子

POST /blogs/_search
{
  "suggest": {
    "my-suggestion": {
      "text": "lucne and elasticsear rock",
      "phrase": {
        "field": "body"
      }
    }
  }
}

当然复杂度要高于term建议，都是学习算法的好帮手。

Completion Suggester

它主要针对的应用场景就是"Auto Completion"自动补全。 此场景下用户每输入一个字符的时候，就需要即时发送一次查询请求到后端查找匹配项，在用户输入速度较高的情况下对后端响应速度要求比较苛刻。因此实现上它和前面两个Suggester采用了不同的数据结构，索引并非通过倒排来完成，而是将analyze过的数据编码成FST和索引一起存放。对于一个open状态的索引，FST会被ES整个装载到内存里的，进行前缀查找速度极快。但是FST只能用于前缀查找，这也是Completion Suggester的局限所在。
其中completion还支持正则、模糊建议等。