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：
- 将
b替换成v： bie b er → bie v er - 将
i替换成a： b i ever → b a ever - 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。
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。
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。
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 ，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。