solr 模糊 vs 通配符 vs 词干分析器
solr fuzzy vs wildcard vs stemmer
我有几个问题。
我想搜索一个字词jumps
有了模糊搜索，我可以做到jump~
使用通配符搜索，我可以做到 jump*
我可以用词干分析器，jump
我的理解是，模糊搜索给出pump。通配符搜索也会给出 jumping。 Stemmer 也给出 "jumper"。
我完全同意这个结果。
这三者的表现如何？
不建议在学期开头使用通配符 - 我的理解是它必须与索引中的所有标记匹配 - 但在这种情况下，它将是所有开始跳跃的代币
模糊搜索给了我意想不到的结果——我假设它必须做某种拼写检查。
Stemmer 只适合特定的场景，它不能匹配泵。
我应该如何使用这些可以提供更多相关结果的东西？
我可能因为 this section 而对所有这些更加困惑。有什么建议吗？
对于问题 2，您可以从严格到宽松。
选项一：只给出严格的搜索结果。如果没有找到结果，请提供词干分析器结果。如果之前没有找到结果，则继续模糊搜索或通配符搜索。
选项二：给出所有结果，但按级别对它们进行排序（即首先完全匹配，然后是词干分析结果，...）
问题一
通配符查询（通常）未被分析（即它们未被标记化或 运行 通过过滤器），这意味着任何依赖于过滤器的东西都在处理 input/output 标记会给出奇怪的结果（例如，如果输入字符串被分成多个字符串）。
匹配发生在标记上，因此您输入的内容几乎（小写仍然有效）直接与索引中标记的前缀/后缀匹配。一般来说，您希望避免对一般搜索查询使用通配符查询，因为它们对于自然搜索而言相当有限，并且会给出奇怪的结果（如图所示）。
模糊搜索 is based on "edit distance" - 即一个数字，告诉 Solr 有多少个字符可以 removed/inserted/changed 得到结果标记。这会给您的用户带来不错的结果，但是当允许的距离较大时（Lucene/Solr 最多支持 2 个编辑距离，这可能很难解释“为什么这会给我一个打击”）如果没有给出编辑距离，也是默认值。
词干化通常是可行的方法，因为它是实际的“正式”过程，将一个术语缩减为它的词干——实际的“意义”（它并不真正知道与自然语言处理术语中的含义有关的任何内容，但它根据单词的一组静态规则和配置语言的例外情况来执行。它可以根据语言调整为适合该语言的规则，而其他两个选项都不能。
关于词干的缺点（“因为它不能匹配泵”）- 这实际上可能是一件好事。您的用户会更清楚搜索结果的依据，而不是在搜索结果中包含 pumps，而是将其作为拼写更正（“您是说 pump / pumps 代替？”）。它将为任何用户提供更好的体验，搜索结果将更接近他们正在搜索的内容。
根据您的实际用例，要求可能会有所不同；即，如果它只是为了以编程方式尝试查找看起来相似的术语。
问题二
将您认为更相关的结果显示为第一个命中 - 如果您正在进行通配符或模糊搜索，则不能仅通过评分来完成此操作，因此您必须进行多次查询，然后再显示它们彼此。我通常建议在项目中讨论此问题时让搜索用户明确执行此操作。
相反，作为主要搜索，您可以在单独的字段中使用 NGramFilter 并使用 copyfield 指令将相同的内容放入两个字段 - 然后 ngramfilter 的得分远低于更“精确”的命中率场地。在这种情况下，通常您需要三个字段 - 一个用于精确匹配（非词干匹配），一个用于词干匹配，一个用于 ngram 匹配 - 然后使用 edismax 的 qf 参数对它们进行适当评分。它通常会为您的用户提供最快和最简单的结果，以获得体面的搜索结果，但请确保为他们提供体面的方式来过滤结果集（方面）或将他们的查询更改为更有意义的内容（您的意思是，另请参阅xyz 等）。
通常很难猜测用户的意图，除非您在个性化方面投入了大量时间和资源（想想 Google），所以请稍后再说 - 大多数用户会很高兴，只要他们有解决他们自己的问题的清晰和独特的方法，即使你没有得到完美的第一个结果。
我有几个问题。
我想搜索一个字词jumps
有了模糊搜索，我可以做到jump~
使用通配符搜索，我可以做到 jump*
我可以用词干分析器，jump
我的理解是，模糊搜索给出pump。通配符搜索也会给出 jumping。 Stemmer 也给出 "jumper"。
我完全同意这个结果。
这三者的表现如何？
不建议在学期开头使用通配符 - 我的理解是它必须与索引中的所有标记匹配 - 但在这种情况下，它将是所有开始跳跃的代币
模糊搜索给了我意想不到的结果——我假设它必须做某种拼写检查。
Stemmer 只适合特定的场景，它不能匹配泵。
我应该如何使用这些可以提供更多相关结果的东西？
我可能因为 this section 而对所有这些更加困惑。有什么建议吗？
对于问题 2，您可以从严格到宽松。
选项一：只给出严格的搜索结果。如果没有找到结果，请提供词干分析器结果。如果之前没有找到结果，则继续模糊搜索或通配符搜索。
选项二：给出所有结果，但按级别对它们进行排序（即首先完全匹配，然后是词干分析结果，...）
问题一
通配符查询（通常）未被分析（即它们未被标记化或 运行 通过过滤器），这意味着任何依赖于过滤器的东西都在处理 input/output 标记会给出奇怪的结果（例如，如果输入字符串被分成多个字符串）。
匹配发生在标记上，因此您输入的内容几乎（小写仍然有效）直接与索引中标记的前缀/后缀匹配。一般来说，您希望避免对一般搜索查询使用通配符查询，因为它们对于自然搜索而言相当有限，并且会给出奇怪的结果（如图所示）。
模糊搜索 is based on "edit distance" - 即一个数字，告诉 Solr 有多少个字符可以 removed/inserted/changed 得到结果标记。这会给您的用户带来不错的结果，但是当允许的距离较大时（Lucene/Solr 最多支持 2 个编辑距离，这可能很难解释“为什么这会给我一个打击”）如果没有给出编辑距离，也是默认值。
词干化通常是可行的方法，因为它是实际的“正式”过程，将一个术语缩减为它的词干——实际的“意义”（它并不真正知道与自然语言处理术语中的含义有关的任何内容，但它根据单词的一组静态规则和配置语言的例外情况来执行。它可以根据语言调整为适合该语言的规则，而其他两个选项都不能。
关于词干的缺点（“因为它不能匹配泵”）- 这实际上可能是一件好事。您的用户会更清楚搜索结果的依据，而不是在搜索结果中包含
pumps，而是将其作为拼写更正（“您是说pump/pumps代替？”）。它将为任何用户提供更好的体验，搜索结果将更接近他们正在搜索的内容。根据您的实际用例，要求可能会有所不同；即，如果它只是为了以编程方式尝试查找看起来相似的术语。
问题二
将您认为更相关的结果显示为第一个命中 - 如果您正在进行通配符或模糊搜索，则不能仅通过评分来完成此操作，因此您必须进行多次查询，然后再显示它们彼此。我通常建议在项目中讨论此问题时让搜索用户明确执行此操作。
相反，作为主要搜索，您可以在单独的字段中使用 NGramFilter 并使用 copyfield 指令将相同的内容放入两个字段 - 然后 ngramfilter 的得分远低于更“精确”的命中率场地。在这种情况下，通常您需要三个字段 - 一个用于精确匹配（非词干匹配），一个用于词干匹配，一个用于 ngram 匹配 - 然后使用 edismax 的 qf 参数对它们进行适当评分。它通常会为您的用户提供最快和最简单的结果，以获得体面的搜索结果，但请确保为他们提供体面的方式来过滤结果集（方面）或将他们的查询更改为更有意义的内容（您的意思是，另请参阅xyz 等）。
通常很难猜测用户的意图，除非您在个性化方面投入了大量时间和资源（想想 Google），所以请稍后再说 - 大多数用户会很高兴，只要他们有解决他们自己的问题的清晰和独特的方法，即使你没有得到完美的第一个结果。