elasticsearch-倒排索引原理

(转载自CSDN 豆不女 https://blog.csdn.net/chuan442616909/article/details/55100757?utm_source=blogxgwz0)

倒排索引

Elasticsearch 使用一种称为倒排索引的结构,它适用于快速的全文搜索。一个倒排索引由文档中所有不重复词的列表构成,对于其中每个词,有一个包含它的文档列表。

es使用称为倒排索引的结构达到快速全文搜索的目的。

一个倒排索引包含一系列不同的单词,这些单词出现在任何一个文档,

对于每个单词,对应着所有它出现的文档

倒排索引建立的是分词(Term)和文档(Document)之间的映射关系,在倒排索引中,数据是面向词(Term)而不是面向文档的。


elasticsearch-倒排索引原理_第1张图片
term和Doc之间呈现的关系

例如,假设我们有两个文档,每个文档的content域包含如下内容:

The quick brown fox jumped over the lazy dog

Quick brown foxes leap over lazy dogs in summer

为了创建倒排索引,我们首先将每个文档的content域拆分成单独的 词(我们称它为词条或tokens),创建一个包含所有不重复词条的排序列表,然后列出每个词条出现在哪个文档。结果如下所示:

Term      Doc_1  Doc_2

-------------------------

Quick  |      |  X

The    |  X  |

brown  |  X  |  X

dog    |  X  |

dogs    |      |  X

fox    |  X  |

foxes  |      |  X

in      |      |  X

jumped  |  X  |

lazy    |  X  |  X

leap    |      |  X

over    |  X  |  X

quick  |  X  |

summer  |      |  X

the    |  X  |

------------------------

现在,如果我们想搜索quick brown,我们只需要查找包含每个词条的文档:

Term      Doc_1  Doc_2

-------------------------

brown  |  X  |  X

quick  |  X  |

------------------------

Total  |  2  |  1

两个文档都匹配,但是第一个文档比第二个匹配度更高。如果我们使用仅计算匹配词条数量的简单相似性算法,那么,我们可以说,对于我们查询的相关性来讲,第一个文档比第二个文档更佳。

但是,我们目前的倒排索引有一些问题:

Quick和quick以独立的词条出现,然而用户可能认为它们是相同的词。

fox和foxes非常相似, 就像dog和dogs;他们有相同的词根。

jumped和leap, 尽管没有相同的词根,但他们的意思很相近。他们是同义词。

使用前面的索引搜索+Quick +fox不会得到任何匹配文档。(记住,+前缀表明这个词必须存在。)只有同时出现Quick和fox的文档才满足这个查询条件,但是第一个文档包含quick fox,第二个文档包含Quick foxes。

我们的用户可以合理的期望两个文档与查询匹配。我们可以做的更好。

如果我们将词条规范为标准模式,那么我们可以找到与用户搜索的词条不完全一致,但具有足够相关性的文档。例如:

Quick可以小写化为quick。

foxes可以词干提取--变为词根的格式-- 为fox。类似的,dogs可以为提取为dog。

jumped和leap是同义词,可以索引为相同的单词jump。

现在索引看上去像这样:

Term      Doc_1  Doc_2

-------------------------

brown  |  X  |  X

dog    |  X  |  X

fox    |  X  |  X

in      |      |  X

jump    |  X  |  X

lazy    |  X  |  X

over    |  X  |  X

quick  |  X  |  X

summer  |      |  X

the    |  X  |  X

------------------------

这还远远不够。我们搜索+Quick +fox仍然会失败,因为在我们的索引中,已经没有Quick了。但是,如果我们对搜索的字符串使用与content域相同的标准化规则,会变成查询+quick +fox,这样两个文档都会匹配!

你可能感兴趣的:(elasticsearch-倒排索引原理)