我想知道是否有可能在整个索引或别名的Elasticsearch字段中获得前十个最常用的单词。
这是我正在尝试做的事情：
我正在索引从各种文档类型（Word，Powerpoint，PDF等）中提取的文本文档，这些文档被分析并存储在名为doc_content的字段中。我想知道是否有办法找到存储在doc_content字段中的特定索引中最常用的单词。
为了更清楚，我们假设我正在索引来自亚马逊和eBay的发票。现在让我们假设我有来自亚马逊的100张发票和来自易趣的20张发票。让我们假设每个亚马逊发票中出现两次“亚马逊”一词，每个易趣发票中出现“ebay”一词三次。
现在，有没有办法得到排序的汇总，告诉我“亚马逊”这个词在我的索引中出现200次（100张发票x 2次/发票），“ebay”这个词出现60次（20次）发票x 3次/发票）。
我的另一个问题是，如果前者是可能的，那么有没有办法确定某个词之后最常出现的词是什么？
例如：假设我有100个文件。其中60个文件包含“老猫”一词，40个包含“老狗”一词，为了便于论证，我们假设这些词只出现在每个文件中一次。
现在，如果我们可以得到单词“old”的频率，在我们的例子中应该是100.然后我们可以确定与它之后的单词的关系，得到类似的东西：
__________ Cat (60)
|
Old (100)-----|
|__________ Dog (40)
答案 0 :(得分：3)
要获得学期频率，您可以使用term vectors。但是，您首先必须存储它们，其次，您只能为给定的文档检索它们。
据我所知，它不可能聚合超长期向量。
也许你可以使用脚本字段实现一些你想要的东西。但话说回来，Groovy目前因为安全问题而受到歧视，而且对脚本字段的聚合可能非常缓慢。
顺便提一下，之前曾提出过类似的问题：