elasticsearh Fuzzy Query（模糊、纠错查询）

Fuzzy Query

模糊查询基于”Levenshtein distance“ 编辑距离进行文档匹配相似度

“Levenshtein distance” 下方有解释

---

String field

模糊（fuzzy）查询生成的匹配词最大的编辑距离在fuzziness属性中指定，然后检查分词字典，以确定这些生成的分词在哪些索引中实际存在。最后查询使用了max_expansions 来匹配单词。

如下是一个简单的案例:

GET /_search

{

    "query": {

      "fuzzy" : { "user" : "ki" }

    }

}

使用更多的设置：

GET /_search

{

    "query": {

        "fuzzy" : {

            "user" : {

                "value": "ki",

                "boost": 1.0,

                "fuzziness": 2,

                "prefix_length": 0,

                "max_expansions": 100

            }

        }

    }

}

参数说明

fuzziness：最大的编辑距离，默认AUTO(详情见下方)

prefix_length：不能被 “模糊化” 的初始字符数。 大部分的拼写错误发生在词的结尾，而不是词的开始。 例如通过将 prefix_length 设置为 3 ，你可能够显著降低匹配的词项数量。

boost：设置查询权重

max_expansions：默认长度为50， 如果一个模糊查询扩展了三个或四个模糊选项， 这些新的模糊选项也许是有意义的。如果它产生 1000 个模糊选项，那么就基本没有意义了。设置 max_expansions用来限制将产生的模糊选项的总数量。模糊查询将收集匹配词项直到达到 max_expansions 的限制。

transpositions：是否支持模糊换位(ab→ba)。默认是true。

Fuzziness

---

模糊匹配 对待 “模糊” 相似的两个词似乎是同一个词。 首先，我们需要对我们所说的 模糊性 进行定义。 在1965年，Vladimir Levenshtein 开发出了 Levenshtein distance， 用来度量从一个单词转换到另一个单词需要多少次单字符编辑。他提出了三种类型的单字符编辑：

一个字符 替换 另一个字符： _f_ox → _b_ox

插入 一个新的字符：sic → sic_k_

删除 一个字符：b_l_ack → back

Frederick Damerau 后来在这些操作基础上做了一个扩展：

相邻两个字符的 换位 ： _st_ar → _ts_ar

举个例子，将单词 bieber 转换成 beaver 需要下面几个步骤：

把 b 替换成 v ：bie_b_er → bie_v_er

把 i 替换成 a ：b_i_ever → b_a_ ever

把 e 和 a 进行换位：b_ae_ver → b_ea_ver

这三个步骤表示 Damerau-Levenshtein edit distance 编辑距离为 3 。

显然，从 beaver 转换成 bieber 是一个很长的过程—他们相距甚远而不能视为一个简单的拼写错误。 Damerau 发现 80% 的拼写错误编辑距离为 1 。换句话说， 80% 的拼写错误可以对原始字符串用 单次编辑 进行修正。

Elasticsearch 指定了 fuzziness 参数支持对最大编辑距离的配置，默认为 ２ 。

当然，单次编辑对字符串的影响取决于字符串的长度。对单词 hat 两次编辑能够产生 mad ， 所以对一个只有 3 个字符长度的字符串允许两次编辑显然太多了。 fuzziness 参数可以被设置为 AUTO ，这将导致以下的最大编辑距离：

字符串只有 1 到 2 个字符时是 0

字符串有 3 、 4 或者 5 个字符时是 1

字符串大于 5 个字符时是 2

当然，你可能会发现编辑距离 2 仍然是太多了，返回的结果似乎并不相关。 把最大 fuzziness 设置为 1 ，你可以得到更好的结果和更好的性能。

This query can be very heavy if prefix_length is set to 0 and if max_expansions is set to a high number. It could result in every term in the index being examined! 如果将prefix_length设置为0，并且将max_expanations设置为高值，则此查询可能非常繁重。它可能导致索引中的每一项都被检查!