Question

我有一个为某些文本生成的minhash字段（基于minhash算法），现在我的问题是，是否可以用通配符以某种方式补充或添加前缀查询？因为存在问题，所以哈希字符串值是基于带状对象/令牌的内容（文本）位置的。因此，前几个字符（前缀）可能并不总是与相似内容完全匹配。是否可以在查询前缀之前添加通配符，例如* 3AF8659GJ？

编辑：我想我对这个问题没有认真思考。哈希差异可以在哈希字符串中的任何位置（基于文本差异的内容位置中的文本差异）。因此，我认为“最佳”的唯一方法是编辑距离和一些阈值。

例如，将所有哈希放入一个数组中，并按词法排序（或如何对十六进制字符串进行排序？），然后仅比较下k个文档，直到达到编辑距离阈值为止，然后将重复项放入一个单独的数组。

Answer 1

出于性能原因，强烈建议不要使用后缀进行搜索，如official document所述：

为了防止极慢的通配符查询，通配符术语不应以通配符*或？开头。

仍然有一种方法可以通过使用精巧的分析器来实现。这个想法是只索引minhash的结尾。您可以按照以下说明实现它。

首先，使用以下分析器创建索引：

PUT minhash-index
{
  "settings": {
    "index": {
      "analysis": {
        "analyzer": {
          "suffix": {
            "type": "custom",
            "tokenizer": "keyword",
            "filter": [
              "lowercase",
              "reverse",
              "substring",
              "reverse"
            ]
          }
        },
        "filter": {
          "substring": {
            "type": "edgeNGram",
            "min_gram": 1,
            "max_gram": 10
          }
        }
      }
    }
  },
  "mappings": {
    "doc": {
      "properties": {
        "minhash": {
          "type": "text",
          "analyzer": "suffix",
          "search_analyzer": "standard"
        }
      }
    }
  }
}

suffix分析器的想法是，它将为抛出索引的每个minhash索引长度为1到10的所有后缀（您可以决定索引更长的后缀）。

例如，对于minhash C50FD711C2C43287351892A4D82F44B055F048C46D2C54197AC1D1E921F11E6699C4057C4B93907518E6DCA51A672D3D3E419160DAE276CB7716D11B94D8C3BB2E4A591329B7AF973D17A7F9336342FFAAFD4D，它将索引以下所有后缀：

d
4d
d4d
fd4d
afd4d
aafd4d
faffd4d
ffaafd4d
2ffaafd4d
42ffaafd4d

然后，您可以使用以下查询轻松地搜索并找到上述minhash：

POST minhash-index/_search
{
  "query": {
    "match": {
      "minhash": "42FFAAFD4D"
    }
  }
}

Elasticsearch Minhash前缀查询带有通配符？

1 个答案: