近似匹配

1、什么是近似匹配

兩個句子

java is my favourite programming language, and I also think spark is a very good big data system.
java spark are very related, because scala is spark's programming language and scala is also based on jvm like java.

match query，搜索java spark

{
    "match": {
        "content": "java spark"
    }
}

match query，只能搜索到包含java和spark的document，但是不知道java和spark是不是離的很近

包含java或包含spark，或包含java和spark的doc，都會被返回回來。我們其實并不知道哪個doc，java和spark距離的比較近。如果我們就是希望搜索java spark，中間不能插入任何其他的字符，那這個時候match去做全文檢索，能搞定我們的需求嗎？答案是，搞不定。

如果我們要盡量讓java和spark離的很近的document優(yōu)先返回，要給它一個更高的relevance score，這就涉及到了proximity match，近似匹配

如果說，要實現(xiàn)兩個需求：

1、java spark，就靠在一起，中間不能插入任何其他字符，就要搜索出來這種doc
2、java spark，但是要求，java和spark兩個單詞靠的越近，doc的分數(shù)越高，排名越靠前

要實現(xiàn)上述兩個需求，用match做全文檢索，是搞不定的，必須得用proximity match，近似匹配

phrase match，proximity match：短語匹配，近似匹配

這一講，要學習的是phrase match，就是僅僅搜索出java和spark靠在一起的那些doc，比如有個doc，是java use'd spark，不行。必須是比如java spark are very good friends，是可以搜索出來的。

phrase match，就是要去將多個term作為一個短語，一起去搜索，只有包含這個短語的doc才會作為結果返回。不像是match，java spark，java的doc也會返回，spark的doc也會返回。

2、match_phrase

GET /forum/article/_search
{
  "query": {
    "match": {
      "content": "java spark"
    }
  }
}

單單包含java的doc也返回了，不是我們想要的結果

POST /forum/article/5/_update
{
  "doc": {
    "content": "spark is best big data solution based on scala ,an programming language similar to java spark"
  }
}

將一個doc的content設置為恰巧包含java spark這個短語

match_phrase語法

GET /forum/article/_search
{
    "query": {
        "match_phrase": {
            "content": "java spark"
        }
    }
}

成功了，只有包含java spark這個短語的doc才返回了，只包含java的doc不會返回

3、term position

hello world, java spark doc1
hi, spark java doc2

hello doc1(0)
wolrd doc1(1)
java doc1(2) doc2(2)
spark doc1(3) doc2(1)

了解什么是分詞后的position

GET _analyze
{
  "text": "hello world, java spark",
  "analyzer": "standard"
}

4、match_phrase的基本原理

索引中的position，match_phrase

hello world, java spark doc1
hi, spark java doc2

hello doc1(0)
wolrd doc1(1)
java doc1(2) doc2(2)
spark doc1(3) doc2(1)

java spark --> match phrase

java spark --> java和spark

java --> doc1(2) doc2(2)
spark --> doc1(3) doc2(1)

要找到每個term都在的一個共有的那些doc，就是要求一個doc，必須包含每個term，才能拿出來繼續(xù)計算

doc1 --> java和spark --> spark position恰巧比java大1 --> java的position是2，spark的position是3，恰好滿足條件

doc1符合條件

doc2 --> java和spark --> java position是2，spark position是1，spark position比java position小1，而不是大1 --> 光是position就不滿足，那么doc2不匹配

必須理解這塊原理！?。?！

因為后面的proximity match就是原理跟這個一模一樣！?。?/p>