Elasticsearch-倒排索引

Elasticsearch 使用一種稱爲 倒排索引 的結構，它適用於快速的全文搜索。
一個倒排索引由文檔中全部不重複詞的列表構成，對於其中每一個詞，有一個包含它的文檔列表。

假設咱們有兩個文檔，每一個文檔的 content 域包含以下內容：

1. The quick brown fox jumped over the lazy dog
2. Quick brown foxes leap over lazy dogs in summer

爲了建立倒排索引，咱們首先將每一個文檔的 content 域拆分紅單獨的 詞（咱們稱它爲 詞條 或 tokens ），建立一個包含全部不重複詞條的排序列表，而後列出每一個詞條出如今哪一個文檔。結果以下所示：

Term      Doc_1  Doc_2
-------------------------
Quick   |       |  X
The     |   X   |
brown   |   X   |  X
dog     |   X   |
dogs    |       |  X
fox     |   X   |
foxes   |       |  X
in      |       |  X
jumped  |   X   |
lazy    |   X   |  X
leap    |       |  X
over    |   X   |  X
quick   |   X   |
summer  |       |  X
the     |   X   |
------------------------

如今，若是咱們想搜索 quick brown ，咱們只須要查找包含每一個詞條的文檔：

Term      Doc_1  Doc_2
-------------------------
brown   |   X   |  X
quick   |   X   |
------------------------
Total   |   2   |  1

兩個文檔都匹配，可是第一個文檔比第二個匹配度更高。若是咱們使用僅計算匹配詞條數量的簡單 類似性算法 ，那麼，咱們能夠說，對於咱們查詢的相關性來說，第一個文檔比第二個文檔更佳。

可是，咱們目前的倒排索引有一些問題：

• Quick 和 quick 以獨立的詞條出現，然而用戶可能認爲它們是相同的詞。
• fox 和 foxes 很是類似, 就像 dog 和 dogs ；他們有相同的詞根。
• jumped 和 leap, 儘管沒有相同的詞根，但他們的意思很相近。他們是同義詞。

使用前面的索引搜索 +Quick +fox 不會獲得任何匹配文檔。（記住，+ 前綴代表這個詞必須存在。）只有同時出現 Quick 和 fox 的文檔才知足這個查詢條件，可是第一個文檔包含 quick fox ，第二個文檔包含 Quick foxes 。

咱們的用戶能夠合理的指望兩個文檔與查詢匹配。咱們能夠作的更好。

若是咱們將詞條規範爲標準模式，那麼咱們能夠找到與用戶搜索的詞條不徹底一致，但具備足夠相關性的文檔。例如：

• Quick 能夠小寫化爲 quick 。
• foxes 能夠 詞幹提取 --變爲詞根的格式-- 爲 fox 。相似的， dogs 能夠爲提取爲 dog 。
• jumped 和 leap 是同義詞，能夠索引爲相同的單詞 jump 。

如今索引看上去像這樣：

Term      Doc_1  Doc_2
-------------------------
brown   |   X   |  X
dog     |   X   |  X
fox     |   X   |  X
in      |       |  X
jump    |   X   |  X
lazy    |   X   |  X
over    |   X   |  X
quick   |   X   |  X
summer  |       |  X
the     |   X   |  X
------------------------