我试图计算整个索引(术语收集频率)中特定术语出现的总次数。我试图通过使用术语向量来实现这一点,但是这仅限于单个文档。即使在指定文档中存在术语的情况下,响应似乎最大化了某个doc_count(在field_statistics中),这使我怀疑它的准确性。
请求:
http://myip:9200/clinicaltrials/trial/AVmk-ky6XMskTDwIwpih/_termvectors?term_statistics=true
此处使用的文档ID为" AVmk-ky6XMskTDwIwpih",但术语统计不应特定于文档。
响应:
这就是我得到的术语"癌症"其中一个领域:
"cancer" : {
"doc_freq" : 5297,
"ttf" : 10587,
"term_freq" : 1,
"tokens" : [
{
"position" : 15,
"start_offset" : 115,
"end_offset" : 121
}
]
},
如果我计算所有字段的ttf,我得到18915.但是,"癌症"的实际总学期频率实际上是542829.这让我相信它将term_vector统计数据限制为索引中的文档子集。
非常感谢任何建议。
答案 0 :(得分:4)
我认为您需要根据elasticsearch documentation将term_statistics设置为true:
术语统计 将term_statistics设置为true(默认为false)将返回
总学期频率(术语在所有文件中出现的频率)
文件频率(包含当前术语的文件数量)
默认情况下,不会返回这些值,因为术语统计信息会对性能产生严重影响。
答案 1 :(得分:3)
计数差异的原因是因为术语向量不准确,除非所讨论的索引具有单个分片。对于具有多个分片的索引,文档分布在整个分片中,因此返回的频率不是总数,而是来自随机选择的分片。
因此,返回的频率只是一个相对度量而不是您期望的绝对值。 see the Behaviour section。 要对此进行测试,您可以创建一个分片索引并请求频率(它应该为您提供实际总数)。
答案 2 :(得分:0)
您是否尝试过仅使用COUNT API? https://www.elastic.co/guide/en/elasticsearch/reference/7.6/search-count.html
它可以返回查询的匹配数。所以类似的事情可能会起作用。
GET /my_index/_count
{
"query" : {"match": {"my_field": "my_keyword"}
}