未分類
27 8 月 2020

[求助] 关于 elasticSearch 中文分词插件 IK 分词机制的疑问

[求助] 关于 elasticSearch 中文分词插件 IK 分词机制的疑问

資深大佬 : Pengxiguaa 9

准备

  • analyzer: ik_max_word
  • text: “我想我能够”
  • keywords: “我想”

目的

检索出必须包含关键词“我想”的数据。

问题

在写入数据时，ik_max_word 会将文本拆分为“我”、“想我”和“能够”但不存在“我想”，所以导致搜索无果。

我不知道是我的用法不对还是插件分词不够细，难道需要将文本拆分为“我”、“我想”、“我想我”、“我想我能”….

大佬有話說 (7)

  • 資深大佬 : zakokun

    2 个办法

    1. 你把“我想”加到自定词库里面，刷一遍数据，分词插件就能把“我想”作为一个词了
    2. 使用单字分词，然后搜索的使用 match_phrase

  • 資深大佬 : polaris8977

    自己定制一下词库啊, “我想”没在你的词库里面

  • 資深大佬 : murmur

    你说的是 ngram 分词，ngram 拆出来应该是
    我
    想
    我
    能
    够
    我想
    想我
    我能
    能够
    我想我
    想我能
    我能够
    。。。。。
    这种拆词太暴力了，很少有这么拆的，效率太低结果也不好看，说白了还是字典拆词不行，可以考虑下用算法的，以前我们就用 crf 分词，字典分词效率高但是准确度不行

  • 主 資深大佬 : Pengxiguaa

    @zakokun 感谢

  • 主 資深大佬 : Pengxiguaa

    @polaris8977 感谢

  • 主 資深大佬 : Pengxiguaa

    @murmur 感谢

  • 資深大佬 : KalaSearch

    CJK 语言做查询的时候如果非常在乎召回的话，ngram 也是可以考虑的（类似你这写的：我，我想…）

    如果索引本身没那么大的话，对中文分词来说 N 取个 10 就完全够了，这样索引大小最多也就是 10 倍。目前 SSD 这么便宜的状况下问题不大

    当然如果实在索引大小有限制（边缘计算、嵌入之类情景，或者数据真的太大）那可以像一说的自定义一些词库。

    如果是以学习为目的的话推荐读： https://github.com/ysc/cws_evaluation

    如果是在做项目需要搜索的话，且不想折腾的话，自荐下我们做的卡拉搜索 kalasearch.com 不用自己搞分词之类，全托管了。作为工程师的你时间很宝贵，应该用来学习或者解决业务问题，搜索可以交给我们 🙂