Elasticsearch“更像这样” API与more_like_this查询

Question

Elasticsearch具有两个相似的功能来获取“相似”的文档：

有“更多喜欢此API”。它给了我类似于给定文件的文件。我不能在更复杂的表达式中使用它。

"more_like_this"在Search
API中
也有要使用的查询，我可以在bool或boosting表达式中使用它，但不能给它提供文档ID。我必须提供"like_text"参数。

我有带有标签和内容的文档。有些文档将具有良好的标签，而有些则不会。我想要一个“类似文档”功能，该功能每次都可以使用，但是对具有匹配标签的文档的排名高于具有匹配文本的文档的排名。我的想法是：

{
    "boosting" : {
        "positive" : {
            "more_like_this" : {
                "fields" : ["tag"],
                "id" : "23452",
                "min_term_freq" : 1
            }
        },
        "negative" : {
            "more_like_this" : {
                "fields" : ["tag"],
                "id" : "23452",
            }
        },
        "negative_boost" : 0.2
    }
}

显然这是行不通的，因为没有"id"in "more_like_this"。有哪些选择？

Answer 1

首先，简要介绍一下这种功能及其工作原理。这个想法是，您有一个特定的文档，并且您想要其他一些与此文档相似的文档。

为了实现这一点，我们需要从当前文档中提取一些内容，并使用它进行查询以获取相似的内容。我们可以从lucene存储字段（或elasticsearch
_source字段，实际上是lucene中的存储字段）中提取内容，然后以某种方式重新分析它，或使用存储在术语向量中的信息（如果在索引时启用）来获取术语列表我们可以用来查询，而不必重新分析文本。我不确定如果术语向量可用，elasticsearch是否尝试后一种方法。

在这样的查询更可以让你提供一个文本，无论你来自哪里，得到它的。该文本将用于查询您选择的字段并获取相似的文档。文本将不被完全使用，但重新分析，并且最多只有max_query_terms（默认为25）将被保留，出具有至少所提供的术语的min_term_freq（最低频率项，缺省值2）之间和文档频率min_doc_freq和max_doc_freq。还有更多参数可以影响所生成的查询。

在这样的API更进了一步，允许提供一个文件的ID，并再次字段列表。这些字段的内容将从该特定文档中提取，并用于对相同字段进行类似此查询的查询。这意味着生成的查询更类似于此查询，其属性文本将包含先前提取的文本，并将在相同的字段上执行。如您所见，此api的执行更像是在后台执行此查询。

假设这个查询越像样，给您带来更大的灵活性，因为您可以将其与其他查询结合使用，并且可以从任意来源获取文本。另一方面，类似此api的API暴露了通用功能，可以为您做更多工作，但有一些限制。

在您的情况下，我会将几个类似的查询组合在一起，以便您可以使用功能强大的Elasticsearch查询DSL，以不同的方式增强查询等等。缺点是您必须自己提供文本，因为您无法提供从中提取文本的文档ID。

有多种方法可以实现您想要的。我将在布尔值查询中将两个类似查询的查询合并在should子句中，并赋予它们不同的权重。我也将使用更像此字段查询的方法，因为您想一次查询一个字段。

{
    "bool" : {
        "must" : {
          {"match_all" : { }}
        },
        "should" : [
            {
              "more_like_this_field" : {
                "tags" : {
                  "like_text" : "here go the tags extracted from the current document!",
                  "boost" : 2.0
                }
              }
            },
            {
              "more_like_this_field" : {
                "content" : {
                  "like_text" : "here goes the content extracted from the current document!"
                }
              }
            }
        ],
        "minimum_number_should_match" : 1
    }
}

这样，至少一个should子句必须匹配，并且标签匹配比内容匹配更重要。