我的搜索优化记录(一):中文分词优化IK Analyzer
搜索绝对不仅仅是搭起框架,跑出结果就完成的工作,之后分词、排序等等的优化才是重头戏。
先交代下背景:这个搜索是我一个人负责搭建并优化的项目,主要索引对象为歌曲、歌手MV等等。
使用技术:Lucene、IK_Analyzer
既然这篇博客是关于中文分词的优化,那么先看我现在的搜索有什么问题存在:
分词不准确
(1)如果搜索"没有你陪伴"时,排序在前面的歌曲为"陪伴",而本应排第一的"没有你陪伴真的好孤单"这首歌却在后面几页(因为没有"没有你陪伴"这首歌)。
(2)再比如搜索"阿哥阿妹不分手"这首歌时,并不能搜出"阿哥阿妹不分离"这首歌。
(3)如果搜索"没有你陪伴真的好孤单",那么包含"陪伴"、"没有"、"你"等词的歌曲都会被显示,导致显示结果过多(因为没有你陪伴真的好孤单本身就是一个歌名)。
现在最主要的问题就是这三类。那么就针对这三类开始优化吧:
关于分词的问题,因为使用的是Ik分词器,本身自带词库,但是对于我的搜索来说,绝大多数搜索是针对歌曲和歌手进行搜索,那么很自然的想到IK的扩展词库:ext.dic 可以简单的将所有歌曲和歌手添加进扩展词库,并且使用IK的最大细粒度进行切分,这样当用户搜索完整的歌曲名和歌手名时,可以得到最准确的分词。
这里需要注意,因为很多歌曲名带有字符和其它语言,比如上述提到的 《 和 日语英文夹杂的情况,如果不经处理直接将"母亲日剧《排球女将》插曲"插入扩展词,其实并没有什么卵用,为什么呢? 因为基本没有用户会完整的在搜索框中输入" 母亲日剧《排球女将》插曲",更多的用户在查找这首歌时,会输入"母亲"、"日剧插曲"、"排球女将"或"排球女将插曲"等等
注意到一个共同点,中国用户一般不会去搜索中文与符号夹杂、中文与英文夹杂(分情况,在搜美剧或英文歌时比较多),一般都是只搜中文。
那么很自然的想到去除歌曲名和歌手名中的特殊字符,只留下中文加入到扩展词中(等于是用英文或字符将标题分割成几个独立的词加入到扩展词库中):
如:"日剧《排球女将》插曲"就拆分成:"日剧"、"排球女将"和"插曲"加入到扩展词库中。
代码如下:
public Set<String> extWordProcesse(String extWord) {
if(extWord == null)
return null;
char[] array = extWord.toCharArray();
Set<String> result = new HashSet<String>();
String subString;
Integer start = 0;
while(start < array.length) {
for(int i=start;i<array.length;i++) {
if(!String.valueOf(array[i]).matches("[\\u4E00-\\u9FA5]+")) {
if(start < i) {
subString = extWord.substring(start, i);
if(subString.length() != 1)
result.add(subString);
start = i + 1;
} else if(start == i) {
start++;
}
break;
} else {
if(i == array.length - 1) {
subString = extWord.substring(start, i + 1);
if(subString.length() != 1)
result.add(subString);
start = i + 1;
}
}
}
} return result;
}
下面是添加扩展词前后分词的对比(使用最大粒度分词):用"没有你孤单真的好孤独"作为例子
加入扩展词前:
0-2 : 没有 : CN_WORD 2-3 : 你 : CN_WORD 3-5 : 陪伴 : CN_WORD 5-7 : 真的 : CN_WORD 7-10 : 好孤单 : CN_WORD
加入扩展词后使用最大粒度分词:
0-10 : 没有你陪伴真的好孤单 : CN_WORD
那么如果用户输入搜索"没有你陪伴真的好孤单"时,因为有完全一致的歌曲名与关键词匹配,那么只需要返回完全匹配的记录,而像包括"没有"、"你"、"陪伴"等等的记录可以不显示,因为这个时候用户的搜索是目的性非常明确的。
这样通过添加歌曲名和歌手名到扩展词库中,可以解决分词问题下的(3)小点。
而分词问题下剩余的(1)(2)问题可以归为一类,有点类似搜索校正的感觉,(1)是前缀匹配,(2)是拼写纠错。
其实这两个问题都可以通过分词来解决:
先看下在加入扩展词后用最大粒度分词的结果:
0-7 : 阿哥阿妹不分手 : CN_WORD
0-3 : 没有你 : CN_WORD 3-5 : 陪伴 : CN_WORD
但是上面刚才提到了,加入扩展词后用最大粒度分词,"没有你陪伴真的好孤单"分词时将会作为一个整体,并不会分成"没有你","陪伴"。那么搜索"没有你陪伴时"并不会命中"没有你陪伴真的好孤单",那么怎么办呢?
我们知道Lucene,索引和搜索时,都需要分词,索引时是分词后构建倒排索引,搜索时分词后进行空间向量的计算得分。
那么我们可以索引时不使用最大粒度,而使用最小粒度分词。
什么意思呢? 先看实例:
"没有你陪伴真的好孤单"最小粒度分词的结果:
0-3 : 没有你 : CN_WORD 0-2 : 没有 : CN_WORD 1-5 : 有你陪伴 : CN_WORD 1-4 : 有你陪 : CN_WORD 1-3 : 有你 : CN_WORD 1-2 : 有 : CN_WORD 2-3 : 你 : CN_WORD 3-5 : 陪伴 : CN_WORD
这样是不是明白很多了? 如果我们使用最小粒度分词的话,那么就可以解决(1)(2)问题了,但是这样又不能解决(3)问题了,因为如果索引和搜索时都使用最小粒度分词,那么搜索出来的结果会很多,影响用户体验和搜索速度。
所以(1)(2)和(3)是对立的,解决其中一个,另外一个变会出现,那怎么办呢? 最简单的就是分情况处理。
我们可以看到,如果用户搜索的一个关键词key,如果完全匹配歌曲名或者歌手名时,搜索时应该使用最大粒度分词,以减少不想关的搜索结果,如果不完全匹配,那么需要使用最小粒度分词,用以匹配所有可能的结果。当然,索引永远是使用最小粒度分词。
那么我的做法是,将所有的歌曲名和歌手名经过上述代码处理后,加入到一个Set中,每次搜索时,对关键字在Set中查找,如果存在,那么说明时完全匹配歌曲或歌手的,使用最大粒度分词,如果不存在,那么不匹配。使用最小粒度匹配。
上述的最大粒度最小粒度,IK分词器已经提供了相关实现:
在IKAnalyzer的构造函数中有一个boolean参数,true为最大粒度,false为最小粒度:
new IKAnalyzer(false)
我的搜索优化记录(一):中文分词优化IK Analyzer的更多相关文章
- 转:solr6.0配置中文分词器IK Analyzer
solr6.0中进行中文分词器IK Analyzer的配置和solr低版本中最大不同点在于IK Analyzer中jar包的引用.一般的IK分词jar包都是不能用的,因为IK分词中传统的jar不支持s ...
- 我与solr(六)--solr6.0配置中文分词器IK Analyzer
转自:http://blog.csdn.net/linzhiqiang0316/article/details/51554217,表示感谢. 由于前面没有设置分词器,以至于查询的结果出入比较大,并且无 ...
- 轻量级的中文分词工具包 - IK Analyzer
IK Analyzer是一个开源的,基于java语言开发的轻量级的中文分词工具包.从2006年12月推出1.0版开始, IKAnalyzer已经推出了4个大版本.最初,它是以开源项目Luence为应用 ...
- ElasticSearch7.3学习(十五)----中文分词器(IK Analyzer)及自定义词库
1. 中文分词器 1.1 默认分词器 先来看看ElasticSearch中默认的standard 分词器,对英文比较友好,但是对于中文来说就是按照字符拆分,不是那么友好. GET /_analyze ...
- 沉淀再出发:ElasticSearch的中文分词器ik
沉淀再出发:ElasticSearch的中文分词器ik 一.前言 为什么要在elasticsearch中要使用ik这样的中文分词呢,那是因为es提供的分词是英文分词,对于中文的分词就做的非常不好了 ...
- ElasticSearch搜索引擎安装配置中文分词器IK插件
近几篇ElasticSearch系列: 1.阿里云服务器Linux系统安装配置ElasticSearch搜索引擎 2.Linux系统中ElasticSearch搜索引擎安装配置Head插件 3.Ela ...
- 如何在Elasticsearch中安装中文分词器(IK)和拼音分词器?
声明:我使用的Elasticsearch的版本是5.4.0,安装分词器前请先安装maven 一:安装maven https://github.com/apache/maven 说明: 安装maven需 ...
- 如何给Elasticsearch安装中文分词器IK
安装Elasticsearch安装中文分词器IK的步骤: 1. 停止elasticsearch 2.2的服务 2. 在以下地址下载对应的elasticsearch-analysis-ik插件安装包(版 ...
- ElasticSearch 中文分词插件ik 的使用
下载 IK 的版本要与 Elasticsearch 的版本一致,因此下载 7.1.0 版本. 安装 1.中文分词插件下载地址:https://github.com/medcl/elasticsearc ...
随机推荐
- 自动化工具word文档批量转html
企业有很多的科室,科室的每个人或多或少都会写一些文档,有些文档领导需要浏览,解决的办法是将编辑的文档打印出来,供领导浏览,或是为了节约企业成本,文档就在人与人这间或部门之间copy过来,copy过去. ...
- magento后台 Fatal error: Call to a member function getId() on a non-object in错误
后台分类管理出现错误 Fatal error: Call to a member function getId() on a non-object in 在数据库中运行以下sql语句 INSERT I ...
- opencv在VS2010命令行编译过程
最近这两天一直在研究命令行参数的编译,现代吗如下: #include <highgui.h> #include <math.h> #include <cv.h> I ...
- TreeList的VisibleNodesCount,Noes.Count,AllNdoesCount以及焦点节点的删除
初始5个Nodes 隐藏23节点,打印全部节点Tag 显示23,打印全部节点Tag 隐藏全部节点,打印节点Tag TreeList.Nodes.Count == TreeList.AllNodesCo ...
- linux常用命令(4)rm命令
rm是一个危险的命令,使用的时候要特别当心,尤其对于新手,否则整个系统就会毁在这个命令(比如在/(根目录)下执行rm * -rf).所以,我们在执行rm之前最好先确认一下在哪个目录,到底要删除什么东西 ...
- objective-c 错题
//1, NSString *name = [[NSString alloc]initWithString:@"张三"]; NSLog(@"%d",[name ...
- Mosquitto-MQTT
安装Mosquitto #To use the new repository you should first import the repository package signing key: w ...
- 一个用得比较广的微信API的XXE外部实体注入漏洞
文件地址: https://github.com/dodgepudding/wechat-php-sdk/raw/master/wechat.class.php 代码: <?php /** * ...
- inux 下c/c++ 连接mysql数据库全过程-----已经通过验证
安装Mysql(还可以下载 .gz包,解压安装,再此只介绍此法,其实都一样了,或百度一下...重点在下下下下面) 1.首先安装Mysql服务器 sudo apt-get install mysql-s ...
- Ext.js form 表单提交问题
var form = new Ext.form.FormPanel({ labelAlign : 'right', border : false, bodyStyle : 'background-co ...