文件名搜索分词设计
2016-07-18 16:38
253 查看
期望目标:能够实现String.contains操作。
举例:”sd.mp4” 不管是搜”s”、”m”、”.”、”d.m”、”mp”都应该可以搜出该关键词。核心难度在于倒排索引的关键词覆盖。
参考内部IM的搜索机制如下:
由于IM搜索主要用于群名、人名,垃圾数据少,并且多为中文,因此可以对中文进行拼音提取,对英文进行多段冗余。
这样做有两个好处,第一,开发量低;第二,可以省去搜索补全的部分功能,直接按拼音或缩写进行查询。
但是也有一些缺点,第一,汉字的拼音冗余(相对于搜索补全功能单独做);第二,英文高度冗余(相对于对英文单个字母进行分词)
但是由于人名、群名数据的固有特点,缺点非常非常不明显(英文少,汉字重复率低)。
但是对于文件搜索,这种方式并不适合,原因如下:
第一,不同于人名,文件名重复的内容非常多,会有大量无用拼音产生。
第二,不同于人名,文件名有非常多的“英文”,高度冗余会造成索引内容过多(排队握手问题,指数级增长)。
在这个场景下,更合适的方法是每个字符进行倒排索引,每个字符都作为一个词。然后搜索时使用和顺序相关的“match_phrase”。
那如何对每个字符进行分词呢?
ik、ansj中并没有找到类似的Token化方法,于是有了自己写分词器的念头
但是在浏览ES相关标准的时候,发现了非常简单的自定义分词器的方法,定制后的分词器如下(原链接):
⚠ 交付ES索引的数据已经能够保证合法性,所以不需要任何校验
举例:”sd.mp4” 不管是搜”s”、”m”、”.”、”d.m”、”mp”都应该可以搜出该关键词。核心难度在于倒排索引的关键词覆盖。
参考内部IM的搜索机制如下:
由于IM搜索主要用于群名、人名,垃圾数据少,并且多为中文,因此可以对中文进行拼音提取,对英文进行多段冗余。
这样做有两个好处,第一,开发量低;第二,可以省去搜索补全的部分功能,直接按拼音或缩写进行查询。
但是也有一些缺点,第一,汉字的拼音冗余(相对于搜索补全功能单独做);第二,英文高度冗余(相对于对英文单个字母进行分词)
但是由于人名、群名数据的固有特点,缺点非常非常不明显(英文少,汉字重复率低)。
但是对于文件搜索,这种方式并不适合,原因如下:
第一,不同于人名,文件名重复的内容非常多,会有大量无用拼音产生。
第二,不同于人名,文件名有非常多的“英文”,高度冗余会造成索引内容过多(排队握手问题,指数级增长)。
在这个场景下,更合适的方法是每个字符进行倒排索引,每个字符都作为一个词。然后搜索时使用和顺序相关的“match_phrase”。
那如何对每个字符进行分词呢?
ik、ansj中并没有找到类似的Token化方法,于是有了自己写分词器的念头
但是在浏览ES相关标准的时候,发现了非常简单的自定义分词器的方法,定制后的分词器如下(原链接):
{ "settings": { "analysis": { "tokenizer": { "filename_tokenizer": { "type": "pattern", "pattern": ".", "group": "0" } }, "analyzer": { "filename_analyzer": { "type": "custom", "tokenizer": "filename_tokenizer", "filter": [ "standard", "lowercase", "stop" ] } } } } }
⚠ 交付ES索引的数据已经能够保证合法性,所以不需要任何校验
相关文章推荐
- 垃圾邮件过滤器 python简单实现
- 搜狗百度360市值齐跌:搜索引擎们陷入集体焦虑?
- 本人即将筹备败家日志,敬请期待!
- 一步一步跟我学易语言之第二个易程序菜单设计
- IE:使用搜索助手
- PostgreSQL教程(八):索引详解
- Oracle外键不加索引引起死锁示例
- oracle 索引的相关介绍(创建、简介、技巧、怎样查看) .
- 用SQL建立索引的方法步骤
- SQL2005重新生成索引的的存储过程 sp_rebuild
- SQL效率提升之一些SQL编写建议并有效利用索引
- SQLSERVER的非聚集索引结构深度理解
- SQL Server误区30日谈 第8天 有关对索引进行在线操作的误区
- SQL Server 索引介绍
- SqlServer 索引自动优化工具
- mysql 中存在null和空时创建唯一索引的方法
- 详解sqlserver查询表索引
- 基于逻辑运算的简单权限系统(原理,设计,实现) VBS 版
- 优化 SQL Server 索引的小技巧
- sqlserver 索引的一些总结