Solr：使用 EdgeNGramFilterFactory 进行精确短语查询

Question

在 Solr (3.3) 中，是否可以通过 EdgeNGramFilterFactory 使字段可逐个字母搜索，并且对短语查询也敏感？

例如，我正在寻找一个字段，如果包含“contrat informatique”，则如果用户键入：

• contrat
• informatique
• contr
• informa
• “contrat informatique”
• “contrat info”

当前，我做了这样的事情：

<fieldtype name="terms" class="solr.TextField">
    <analyzer type="index">
        <charFilter class="solr.MappingCharFilterFactory" mapping="mapping-ISOLatin1Accent.txt"/>
        <filter class="solr.WordDelimiterFilterFactory" generateWordParts="1" generateNumberParts="1" catenateWords="1" catenateNumbers="1" catenateAll="0" splitOnCaseChange="1"/>
        <tokenizer class="solr.LowerCaseTokenizerFactory"/>
        <filter class="solr.EdgeNGramFilterFactory" minGramSize="2" maxGramSize="15" side="front"/>
    </analyzer>
    <analyzer type="query">
        <charFilter class="solr.MappingCharFilterFactory" mapping="mapping-ISOLatin1Accent.txt"/>
        <filter class="solr.WordDelimiterFilterFactory" generateWordParts="1" generateNumberParts="1" catenateWords="1" catenateNumbers="1" catenateAll="0" splitOnCaseChange="1"/>
        <tokenizer class="solr.LowerCaseTokenizerFactory"/>
    </analyzer>
</fieldtype>

...但它在短语查询上失败了。

当我查看 solr admin 中的模式分析器时，我发现“contrat informatique”生成了以下标记：

[...] contr contra contrat in inf info infor inform [...]

因此查询适用于“contrat in”（连续标记），但不适用于“contrat inf”（因为这两个标记是分开的） ）。

我很确定任何类型的词干提取都可以与短语查询一起使用，但我找不到在 EdgeNGramFilterFactory 之前使用的正确过滤器分词器。

Answer 1

由于查询 slop 参数默认 = 0，精确短语搜索不起作用。
搜索短语“Hello World”时，它会搜索具有连续位置的术语。
我希望 EdgeNGramFilter 有一个参数来控制输出定位，这看起来像一个古老的问题。

通过将 qs 参数设置为某个非常高的值（大于 ngram 之间的最大距离），您可以取回短语。这部分解决了允许短语但不精确的排列的问题。
因此，搜索“contrat informatique”将匹配“...合同被放弃。Informatique...”之类的文本

为了支持精确短语查询，我最终使用ngram 的单独字段。

所需步骤：

定义单独的字段类型来索引常规值和克：

<fieldType name="text" class="solr.TextField" omitNorms="false">
  <analyzer>
    <tokenizer class="solr.StandardTokenizerFactory"/>
    <filter class="solr.LowerCaseFilterFactory"/>
  </analyzer>
</fieldType>

<fieldType name="ngrams" class="solr.TextField" omitNorms="false">
  <analyzer type="index">
    <tokenizer class="solr.StandardTokenizerFactory"/>
    <filter class="solr.LowerCaseFilterFactory"/>
    <filter class="solr.EdgeNGramFilterFactory" minGramSize="2" maxGramSize="15" side="front"/>
  </analyzer>
  <analyzer type="query">
    <tokenizer class="solr.StandardTokenizerFactory"/>
    <filter class="solr.LowerCaseFilterFactory"/>
  </analyzer>
</fieldType>

告诉 solr

您可以为每个字段定义单独的 ngram 反射：

<field name="contact_ngrams" type="ngrams" indexed="true" stored="false"/>
<field name="product_ngrams" type="ngrams" indexed="true" stored="false"/>
<copyField source="contact_text" dest="contact_ngrams"/>
<copyField source="product_text" dest="product_ngrams"/>

或者您可以将所有 ngram 放入一个字段：

<field name="heap_ngrams" type="ngrams" indexed="true" stored="false"/>
<copyField source="*_text" dest="heap_ngrams"/>

请注意，在这种情况下您将无法分离助推器。

最后一件事是在查询中指定 ngrams 字段和助推器。
一种方法是配置您的应用程序。
另一种方法是在 solrconfig.xml 中指定“appends”参数

   <lst name="appends">
     <str name="qf">heap_ngrams</str>
   </lst>

Answer 2

可惜我无法像 Jayendra Patil 建议的那样使用 PositionFilter （PositionFilter 使任何查询成为 OR 布尔查询），我使用了不同的方法。

仍然使用 EdgeNGramFilter，我添加了这样一个事实：用户输入的每个关键字都是强制性的，并禁用了所有短语。

因此，如果用户请求“cont info”，它会转换为+cont +info。它比真正的短语更宽松一些，但它成功地做到了我想要的（并且不会仅返回两个术语中的一个结果）。

反对这种解决方法的唯一缺点是术语可以在结果中排​​列（因此也会找到带有“informatique contrat”的文档），但这并不是什么大问题。

Answer 3

这就是我的想法 -
对于要进行短语匹配的 ngram，为每个单词生成的标记的位置应该相同。
我检查了边缘克过滤器，它增加了标记，但没有找到任何参数来阻止它。
有一个可用的位置过滤器，它可以将标记位置保持为与开始时相同的标记。
因此，如果使用以下配置，则所有标记都位于相同位置并且与短语查询匹配（相同标记位置与短语匹配）
我通过分析工具检查了它并且查询匹配。

所以你可能想尝试一下提示：-

<analyzer type="index">
    <tokenizer class="solr.WhitespaceTokenizerFactory" />
    <charFilter class="solr.MappingCharFilterFactory" 
            mapping="mapping-ISOLatin1Accent.txt" />
    <filter class="solr.WordDelimiterFilterFactory" generateWordParts="1" 
            generateNumberParts="1" catenateWords="1" catenateNumbers="1" 
            catenateAll="0" splitOnCaseChange="1"/>
    <filter class="solr.LowerCaseFilterFactory" />
    <filter class="solr.EdgeNGramFilterFactory" minGramSize="2" 
            maxGramSize="15" side="front"/>
    <filter class="solr.PositionFilterFactory" />
</analyzer>

Answer 4

我已经修复了 EdgeNGramFilter，因此令牌内的位置不再增加：

    public class CustomEdgeNGramTokenFilterFactory extends TokenFilterFactory {
    private int maxGramSize = 0;

    private int minGramSize = 0;

    @Override
    public void init(Map<String, String> args) {
        super.init(args);
        String maxArg = args.get("maxGramSize");
        maxGramSize = (maxArg != null ? Integer.parseInt(maxArg)
                : EdgeNGramTokenFilter.DEFAULT_MAX_GRAM_SIZE);

        String minArg = args.get("minGramSize");
        minGramSize = (minArg != null ? Integer.parseInt(minArg)
                : EdgeNGramTokenFilter.DEFAULT_MIN_GRAM_SIZE);

    }

    @Override
    public CustomEdgeNGramTokenFilter create(TokenStream input) {
        return new CustomEdgeNGramTokenFilter(input, minGramSize, maxGramSize);
    }
}

public class CustomEdgeNGramTokenFilter extends TokenFilter {
    private final int minGram;
    private final int maxGram;
    private char[] curTermBuffer;
    private int curTermLength;
    private int curGramSize;

    private final CharTermAttribute termAtt = addAttribute(CharTermAttribute.class);
    private final OffsetAttribute offsetAtt = addAttribute(OffsetAttribute.class);
    private final PositionIncrementAttribute positionIncrementAttribute = addAttribute(PositionIncrementAttribute.class);

    /**
     * Creates EdgeNGramTokenFilter that can generate n-grams in the sizes of the given range
     *
     * @param input   {@link org.apache.lucene.analysis.TokenStream} holding the input to be tokenized
     * @param minGram the smallest n-gram to generate
     * @param maxGram the largest n-gram to generate
     */
    public CustomEdgeNGramTokenFilter(TokenStream input, int minGram, int maxGram) {
        super(input);

        if (minGram < 1) {
            throw new IllegalArgumentException("minGram must be greater than zero");
        }

        if (minGram > maxGram) {
            throw new IllegalArgumentException("minGram must not be greater than maxGram");
        }

        this.minGram = minGram;
        this.maxGram = maxGram;
    }

@Override
public final boolean incrementToken() throws IOException {
    while (true) {
        int positionIncrement = 0;
        if (curTermBuffer == null) {
            if (!input.incrementToken()) {
                return false;
            } else {
                positionIncrement = positionIncrementAttribute.getPositionIncrement();
                curTermBuffer = termAtt.buffer().clone();
                curTermLength = termAtt.length();
                curGramSize = minGram;
            }
        }
        if (curGramSize <= maxGram) {
            if (!(curGramSize > curTermLength         // if the remaining input is too short, we can't generate any n-grams
                    || curGramSize > maxGram)) {       // if we have hit the end of our n-gram size range, quit
                // grab gramSize chars from front
                int start = 0;
                int end = start + curGramSize;
                offsetAtt.setOffset(start, end);
                positionIncrementAttribute.setPositionIncrement(positionIncrement);
                termAtt.copyBuffer(curTermBuffer, start, curGramSize);
                curGramSize++;

                return true;
            }
        }
        curTermBuffer = null;
    }
}

    @Override
    public void reset() throws IOException {
        super.reset();
        curTermBuffer = null;
    }
}