ElasticSearch 2 (26) - 语言处理系列之打字或拼写错误

ElasticSearch 2 (26) - 语言处理系列之打字或拼写错误

摘要

我们喜欢在对结构化数据（如：日期和价格）做查询时，结果只返回那些能精确匹配的文档。但是，好的全文搜索不应该有这样的限制。相反，我们可以扩大范围，包括更多可能匹配的词语，使用相关度评分将更匹配的文档放置在结果集的顶部。

事实上，只做精确匹配的全文搜索很有可能会让用户失望，难道我们不希望搜索 “quick brown fox” 可以匹配到包含 “fast brown foxes” 的文档，“Johnny Walker” 可以匹配 “Johnnie Walker”，“Arnold Shcwarzenneger” 可以匹配 “Arnold Schwarzenegger”？

如果文档确实精确包含用户的搜索条件，那么它们应该出现在结果集的顶部，而弱匹配可以置于结果列表的稍后地方。如果没有精确的匹配，至少我们可以为用户提供潜在匹配的可能，它们甚至可能是用户搜索的初衷！

我们已经在 规则化标记（Normalizing Tokens） 介绍了处理变音词的匹配方式，在 缩减单词至词根形式（Reducing Words to Their Root Form） 中介绍了词语的词干提取方式，在 同义词（Synonyms） 中介绍了同义词的处理方式，但是所有这些方法都以单词是正确拼写这个条件为前提，或者说每个词的拼写方式只有一种。

模糊匹配允许在查询时匹配拼写错误的词，语音标记过滤器可以在索引时用来语音匹配。

版本

elasticsearch版本: elasticsearch-2.x

内容

模糊逻辑（Fuzziness）

模糊匹配将两个模糊相似的词作为同一词语处理，首先，我们须要定义什么是模糊性。

在 1965 年，Vladimir Levenshtein 开发了 Levenshtein 距离算法，它可以计算从一个单词变成另外一个单词时，单个字符改变的总次数。它提出了三种类型的单字符修改方式：

• 将一个字符替换成为另外一个：f ox → b ox
• 插入新的字符：sic → sic k
• 删除字符：b l ack → back

Frederick Damerau 后来对这些操作进行了扩展，新增了一种方式：

• 交换两个相邻字符的位置：st ar → ts ar

例如，将单词 bieber 转换成 beaver 需要以下步骤：

1. 将 b 替换成 v ： bie b er → bie v er
2. 将 i 替换成 a ： b i ever → b a ever
3. 交换 a 和 e 的位置： b ae ver → b ea ver

这三步用 Damerau-Levenshtein 法表示的距离是 3 。

显然，bieber 与 beaver 有很长一段距离，它们相距太远而不能被认为是简单的拼写错误。Damerau 观察到 80% 的人为拼写错误的距离是 1 。换句话说，有 80% 的拼写错误可以通过单次字符修改得到原始的字符串。

Elasticsearch 支持一个最大的编辑距离是 2 ，可以通过参数 fuzziness 来指定。

当然，单次修改的影响还取决于被修改字符串的长度。单词 hat 经两次修改可以变成 mad ，所以允许长度为 3 的字符串修改两次有点过度。参数 fuzziness 可以被设置成 AUTO ，代表以下三中最大编辑距离：

• 0 对于长度为 1 或 2 的字符串
• 1 对于长度为 3、4 或 5 的字符串
• 2 对于长度大于 5 的字符串

当然，可能会发现 2 步修改仍然过度，返回的结果看上去并不相关。当最大 fuzziness 值为 1 时，我们可能会得到更好的搜索结果和更好的性能。

模糊查询（Fuzzy Query）

fuzzy 查询和使用 term 查询的 fuzzy 特性是等价的。通常我们很少会自己直接使用它，但是理解它的工作方式有助于我们在高层 match 查询中利用模糊的特性。

为了理解它是如何工作的，我们先新建索引一些文档：

	POST /my_index/my_type/_bulk
	{ "index": { "_id": 1 }}
	{ "text": "Surprise me!"}
	{ "index": { "_id": 2 }}
	{ "text": "That was surprising."}
	{ "index": { "_id": 3 }}
	{ "text": "I wasn't surprised."}

现在我们就可以运行 fuzzy 查询搜索 surprize：

	GET /my_index/my_type/_search
	{
	  "query": {
	    "fuzzy": {
	      "text": "surprize"
	    }
	  }
	}

fuzzy 查询是一个词项级别的查询，所以它没有做任何分析的工作。它接收单个词项，并且根据指定的模糊逻辑在字典中查找匹配的所有词项。默认的 fuzziness 值是 AUTO。

在我们的例子中，surprize 距离 2 以内的词有 surprise 和 surprised，所以文档 1 和 3 是匹配的。我们可以通过以下查询将匹配结果缩小至 surprise ：

	GET /my_index/my_type/_search
	{
	  "query": {
	    "fuzzy": {
	      "text": {
	        "value": "surprize",
	        "fuzziness": 1
	      }
	    }
	  }
	}

提升性能（Improving Performance）

fuzzy 查询接受原始词项并为其构建一个 Levenshtein 自动机（automaton） ，这个结构有如一个图，它能表示与原始字符串相距指定编辑距离值以内的所有可能字符串。

模糊查询随后使用这个自动机逐步高效的在字典中匹配所有词项，一旦收集到字典里所有的匹配词项，它便能计算出所有与之匹配的文档。

当然，由于索引里存储的数据类型不同，一个编辑距离为 2 可以与大量词匹配，性能也会非常差。以下两个参数可以用来限制对性能的不良影响：

• prefix_length

  设置字符串不会被“模糊化”的起始长度。多数拼写错误出现在词语的末尾处，而不是开始处。比如，当 prefix_length 的值为 3 时，我们可以大大减少需要匹配词项的数目。

• max_expansions

  如果模糊查询扩展到三或四个选项的时候，这些新选项可能还是有意义的，但当它生成 1,000 个选项时，它们实际上毫无意义。用 max_expansions 来限制生成选项的总数，模糊查询会搜集匹配的词项，直到找不出更多匹配或词项数目达到 max_expansions 数值的限制。

模糊匹配查询（Fuzzy match Query）

match 查询自带支持模糊匹配的功能：

	GET /my_index/my_type/_search
	{
	  "query": {
	    "match": {
	      "text": {
	        "query":     "SURPRIZE ME!",
	        "fuzziness": "AUTO",
	        "operator":  "and"
	      }
	    }
	  }
	}

查询字符串首先经过分析，然后生成词项 [surprize, me]，最后每个词项用指定的 fuzziness（模糊逻辑） 进行模糊化处理。

类似地，multi_match 查询也支持模糊逻辑，但它只支持两种类型 best_fields 或 most_fields：

	GET /my_index/my_type/_search
	{
	  "query": {
	    "multi_match": {
	      "fields":  [ "text", "title" ],
	      "query":     "SURPRIZE ME!",
	      "fuzziness": "AUTO"
	    }
	  }
	}

match 和 multi_match 查询都能支持 prefix_length 和 max_expansions 参数。

小贴士

模糊逻辑只能使用于两种基本查询 match 和 multi_match，而无法使用于短语匹配，常用词项或跨字段匹配。

模糊度的评分（Scoring Fuzziness）

用户喜欢模糊查询，他们以为这些查询总会奇妙的找到正确的拼写结果。不幸的是，事实却无法激动人心。

假设我们有 1,000 个文档包含词语 “Schwarzenegger”，其中只有 1 个文档里有错误拼写 “Schwarzeneger”，根据 TF/IDF 的理论，这个错误拼写比正确拼写更具相关性，因为它在文档里出现的次数要少得多！

换句话说，如果我们同等对待模糊匹配和其他匹配，那么我们就会更偏向错误拼写而不是正确拼写，这会使用户感到抓狂的。

小贴士

模糊匹配不应用于以评分为目的的查询，而只能当有错误拼写时，用于扩大匹配词项的匹配范围。

默认情况下，match 查询给所有模糊匹配的分数总是 1 。这足以使潜在的匹配出现在结果的末尾，而不用影响到非模糊查询的相关度评分计算。

小贴士

模糊查询本身并没有刚开始看起来那么有用，它们最好作为高级功能的一部分，例如 输入即搜索 completion 完成建议器 或 你想查找 词组建议器。

语音匹配（Phonetic Matching）

最后，令人绝望的是，试图匹配那些听上去相似的词，这些词的拼写甚至是不同的。

现存一些算法可以将词语转换成语音形式表示。Soundex 算法是它们的始祖，其他所有类似算法都是 Soundex 的改进或定制形式，例如 Metaphone 和 Double Metaphone （它对语音匹配扩展到其他语言而不只是英语），Caverphone 算法可以匹配新西兰姓名，Beider-Morse 算法以 Soundex 算法为基础，但它能更好的匹配德语和依地语姓名，Kölner Phonetik 对德语词支持更好。

我们从上面一串算法中要学到的是语音算法都相当粗糙，太依赖于它们针对设计的语言，这些语言可以是英语，也可以是德语，这限制了它们的可用性。不过，如果与其他技术相结合，为了处理某种问题，语音匹配也可以是个有用的工具。

首先，我们需要从下面网址安装语音分析插件 https://www.elastic.co/guide/en/elasticsearch/plugins/current/analysis-phonetic.html ，为集群每个节点都安装，然后重启每个节点。

安装后，我们可以创建一个自定义分析器，尝试使用其中一个语音标记过滤器：

	PUT /my_index
	{
	  "settings": {
	    "analysis": {
	      "filter": {
	        "dbl_metaphone": { #1
	          "type":    "phonetic",
	          "encoder": "double_metaphone"
	        }
	      },
	      "analyzer": {
	        "dbl_metaphone": {
	          "tokenizer": "standard",
	          "filter":    "dbl_metaphone" #2
	        }
	      }
	    }
	  }
	}

#1 首先，配置自定义 phonetic 语音标记过滤器以及 double_metaphone 编码器。

#2 然后在自定义分析器中使用自定义的标记过滤器。

现在使用 analyze API 对其测试：

	GET /my_index/_analyze?analyzer=dbl_metaphone
	Smith Smythe

Smith 和 Smythe 在同一位置各生成两个标记：SM0 和 XMT。分析 John、Jon 和 Johnnie 会都生成两个标记 JN 和 AN，但 Jonathon 会生成标记 JN0N 和 ANTN。

语音分析器和其他分析器的使用方式类似，首先为字段设置映射，然后在对数据建立索引：

	PUT /my_index/_mapping/my_type
	{
	  "properties": {
	    "name": {
	      "type": "string",
	      "fields": {
	        "phonetic": { #1
	          "type":     "string",
	          "analyzer": "dbl_metaphone"
	        }
	      }
	    }
	  }
	}

	PUT /my_index/my_type/1
	{
	  "name": "John Smith"
	}

	PUT /my_index/my_type/2
	{
	  "name": "Jonnie Smythe"
	}

#1 name.phonetic 字段使用自定义的 dbl_metaphone 分析器。

用 match 查询来搜索：

	GET /my_index/my_type/_search
	{
	  "query": {
	    "match": {
	      "name.phonetic": {
	        "query": "Jahnnie Smeeth",
	        "operator": "and"
	      }
	    }
	  }
	}

这个查询同时返回两个文档，这样表明语音查询是有多粗糙。使用语音算法进行评分通常也没有多大意义。使用语音算法的目的不在于提高精度，而在于提高召回，扩大撒网范围从而获得任何可能匹配的文档。

通常将语音算法的结果作为其他算法或计算机的输入信息，要比直接将结果给人使用要靠谱得多。

参考

elastic.co: Typoes and Mispelings