Question

在索引文本时，我将每个单词的频率计数存储在数据库中。由于所有搜索都基于整个单词，并且所有可能的搜索都是已知的，因此这很好用。但是现在我想添加前缀搜索（搜索词的一部分）的选项。我可以使用以下方法从带有Elasticsearch的前缀搜索中获得结果/匹配：

GET /my_index/address/_search
{
    "query": {
        "prefix": {
            "main_text": "word_part"
        }
    }
}

请参阅：https://www.elastic.co/guide/en/elasticsearch/guide/current/prefix-query.html

这是我当前的映射：

{
    "my-index":{
        "mappings":{
            "doc":{
                "properties":{
                    "keycounter":{
                        "properties":{
                            "counter": {"type":"integer"},
                            "keyword":{"type":"keyword"}
                         }
                    },
                    "main_text":{
                        "type":"text", 
                        "fielddata":true
                    },
                    "main_text_keycounter":{
                        "properties":{
                            "counter":{
                                "type":"long"
                            },
                            "keyword":{
                                "type":"text", 
                                "fields":{
                                    "keyword":{
                                        "type":"keyword",
                                        "ignore_above":256
                                    }
                                }
                            }
                        }
                    },
                    "time_written":{
                        "type":"date"
                    },
                    "translated_text":{
                        "type":"text",
                        "fielddata":true
                    },
                }
            }
        }
    }
}

但是我不想为得到的每个结果计算频率，因为每个文本要花费O（N）。是否有一些使用Elasticsearch从这种类型的搜索中存储/获取频率计数的聪明方法？

Answer 1

您可以使用elasticsearch的{{3}}功能来获取术语统计信息和术语计数。这样，您可以使用映射存储文档，并在查询时获取前缀术语的统计信息。当然，这种方法可以为您提供每个结果文档的字词统计信息，因此您必须将其汇总到所有结果中。

以下是映射，索引文档和doc-termvectors查询的示例。您还可以使用doc-termvectors令牌生成器来获取前缀术语的统计信息。

映射：

PUT /my-index
{
  "mappings": {
    "doc": {
      "properties": {
        "main_text": {
          "type": "text",
          "fielddata": true,
          "term_vector": "with_positions_offsets_payloads",
          "store": true
        }
      }
    }
  }
}

索引文档：

POST /my-index/doc/1
{
  "main_text": "foo bar foo"
}

获取术语向量：

POST /my-index/doc/1/_termvectors

结果：

...
"terms": {
    ...
    "foo": {
      "term_freq": 2,
      "tokens": [
        {
          "position": 0,
          "start_offset": 0,
          "end_offset": 3
        },
        {
          "position": 2,
          "start_offset": 8,
          "end_offset": 11
        }
      ]
    }
    ...

修改

如果要获取多份文档的termvectors，可以使用edge-ngram端点。它将为您提供多个文档的统计信息。但是，据我所知，您要查询的内容不会计算所有文档的词频。作为解决方案，您可以将termvectors的结果存储在弹性值（相同的索引或单独的索引）中，然后使用汇总来计算总的术语数。

POST /my-index/doc/_mtermvectors
{
  "ids": [
    "1",
    "2"
  ],
  "parameters": {
    "fields": [
      "main_text"
    ],
    "term_statistics": true
  }
}

修改

然后，我认为解决方案是为所有文档调用termvectors并将结果（即所有术语和子术语的频率）存储在另一个索引中。通过基于搜索查询汇总结果，您将获得所需的结果。

Answer 2

看看这个answer，建议使用有限状态转换器来加快completion suggester的前缀搜索。看起来很整洁，声称与Trie用法相当

带频率计数的前缀搜索

2 个答案: