ES查询-match VS match_phrase

来源:互联网 发布:2015全球社交网络排名 编辑:程序博客网 时间:2024/06/06 17:32
我们以一个查询的示例开始,我们在student这个type中存储了一些学生的基本信息,我们分别使用match和match_phrase进行查询。

首先,使用match进行检索,关键字是“He is”:

GET /test/student/_search{  "query": {    "match": {      "description": "He is"    }  }}
执行这条查询,得到的结果如下:

{   "took": 3,   "timed_out": false,   "_shards": {      "total": 5,      "successful": 5,      "failed": 0   },   "hits": {      "total": 4,      "max_score": 0.2169777,      "hits": [         {            "_index": "test",            "_type": "student",            "_id": "2",            "_score": 0.2169777,            "_source": {               "name": "februus",               "sex": "male",               "age": 24,               "description": "He is passionate.",               "interests": "reading, programing"            }         },         {            "_index": "test",            "_type": "student",            "_id": "1",            "_score": 0.16273327,            "_source": {               "name": "leotse",               "sex": "male",               "age": 25,               "description": "He is a big data engineer.",               "interests": "reading, swiming, hiking"            }         },         {            "_index": "test",            "_type": "student",            "_id": "4",            "_score": 0.01989093,            "_source": {               "name": "pascal",               "sex": "male",               "age": 25,               "description": "He works very hard because he wanna go to Canada.",               "interests": "programing, reading"            }         },         {            "_index": "test",            "_type": "student",            "_id": "3",            "_score": 0.016878016,            "_source": {               "name": "yolovon",               "sex": "female",               "age": 24,               "description": "She is so charming and beautiful.",               "interests": "reading, shopping"            }         }      ]   }}
而当你执行match_phrase时:

GET /test/student/_search{  "query": {    "match_phrase": {      "description": "He is"    }  }}
结果如下:
{   "took": 3,   "timed_out": false,   "_shards": {      "total": 5,      "successful": 5,      "failed": 0   },   "hits": {      "total": 2,      "max_score": 0.30685282,      "hits": [         {            "_index": "test",            "_type": "student",            "_id": "2",            "_score": 0.30685282,            "_source": {               "name": "februus",               "sex": "male",               "age": 24,               "description": "He is passionate.",               "interests": "reading, programing"            }         },         {            "_index": "test",            "_type": "student",            "_id": "1",            "_score": 0.23013961,            "_source": {               "name": "leotse",               "sex": "male",               "age": 25,               "description": "He is a big data engineer.",               "interests": "reading, swiming, hiking"            }         }      ]   }}

占的篇幅有点长,但是如果能基于此看清这两者之间的区别,那也是值得的。

我们分析一下这两者结果的差别:

1.非常直观的一点,对于同一个数据集,两者检索出来的结果集数量不一样;
2.对于match的结果,我们可以可以看到,结果的Document中description这个field可以包含“He is”,“He”或者“is”;
3.match_phrased的结果中的description字段,必须包含“He is”这一个词组;
4.所有的检索结果都有一个_score字段,看起来是当前这个document在当前搜索条件下的评分,而检索结果也是按照这个得分从高到低进行排序。
       我们要想弄清楚match和match_phrase的区别,要先回到他们的用途:match是全文搜索,也就是说这里的搜索条件是针对这个字段的全文,只要发现和搜索条件相关的Document,都会出现在最终的结果集中,事实上,ES会根据结果相关性评分来对结果集进行排序,这个相关性评分也就是我们看到的_score字段;总体上看,description中出现了“He is”的Document的相关性评分高于只出现“He”或“is”的Document。(至于怎么给每一个Document评分,我们会在以后介绍)。
相关性(relevance)的概念在Elasticsearch中非常重要,而这个概念在传统关系型数据库中是不可想象的,因为传统数据库对记录的查询只有匹配或者不匹配。


那么,如果我们不想将我们的查询条件拆分,应该怎么办呢?这时候我们就可以使用match_phrase:
match_phrase是短语搜索,亦即它会将给定的短语(phrase)当成一个完整的查询条件。当使用match_phrase进行搜索的时候,你的结果集中,所有的Document都必须包含你指定的查询词组,在这里是“He is”。这看起来有点像关系型数据库的like查询操作。

相关性评分的相关知识

相信到这里,我们都能比较清楚的理解这两者的区别。但是我们还有一个问题没有弄清楚,那就是_score到底是怎么得出的?为什么同样包含了“He is”这个phrase,_id为2的Document得分为0.30685282,而_id为1的Document的得分为0.23013961?

查询语句会为每个Document计算一个相关性评分_score,评分的计算方式取决于不同的查询类型。ES的相似度算法为TF/IDF(检索词频率/反向文档频率)。我们在这里顺带介绍一下TF/IDF的几个相关概念:

1.字段长度准则:这个准则很简单,字段内容的长度越长,相关性越低。我们在上面的两个例子中都能看到,同样包含了“He is”这个关键字,但是”He is passionate.”的相关性评分高于”He is a big data engineer.”,这就是因为字段长度准则影响了它们的相关性评分;

2.检索词频率准则:检索关键字出现频率越高,相关性也越高。这个例子中没有比较明显的体现出来,你可以自己试验一下;

3.反向Document频率准则:每个检索关键字在Index中出现的频率越高,相关性越低。

一般的,我们理解了以上三个准则,就能了解ES的相关性评分的基本守则。以下是一些相关性评分的Tips:

单个查询可以使用TF/IDF评分标准或其他方式。
如果多条查询子句被合并为一条复合查询语句,那么每个查询子句计算得出的评分会被合并到总的相关性评分中。

因为“相关性评分”这个概念和这篇博文的“相关性评分”并不高,因此在此就不展开讨论,只是点到为止,如果想要了解更多有关ES相关性评分的内容,可以自行Google,也可以继续关注我的博客,以后会专门探讨这一块内容。




原创粉丝点击