IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 大数据 -> Elasticsearch:搜索相同内容,但评分不同,排序混乱问题解决 -> 正文阅读

[大数据]Elasticsearch:搜索相同内容,但评分不同,排序混乱问题解决

问题

  • 针对搜索结果,需要根据相关度智能排序
  • 但是对于某些文本内容相似,搜索得分一致,需要启用其他排序规则,例如时间
  • 后面又发现,对于这些相似的文本,部分文本得分score和其他文本不同,导致排序排在了后面
  • 以以下数据为例,对于模糊搜索“上半年经济运行”需要根据标题检索,然后得分相同的再根据时间倒序排序。但是实际上2009年的出现在第一条,2021年的在第二条,这是不允许的
[
    {
        "createDate": "2009-07-21",
        "id": "7917561",
        "title": "2009年上半年全省经济运行情况"
    },
    {
        "createDate": "2021-08-02",
        "id": "8193901",
        "title": "2021年上半年全省经济运行情况"
    },
    {
        "createDate": "2020-08-02",
        "id": "8193891",
        "title": "2020年上半年全省经济运行情况"
    },
    {
        "createDate": "2019-08-02",
        "id": "8193881",
        "title": "2019年上半年全省经济运行情况"
    },
    {
        "createDate": "2014-08-02",
        "id": "8193861",
        "title": "2014年上半年全省经济运行情况"
    },
    {
        "createDate": "2019-07-18",
        "id": "4271871",
        "title": "2019年上半年全省经济运行情况"
    },
    {
        "createDate": "2017-08-02",
        "id": "8193871",
        "title": "2017年上半年全省经济运行情况"
    },
    {
        "createDate": "2017-01-23",
        "id": "7914371",
        "title": "2016年全省经济运行情况"
    },
    {
        "createDate": "2016-01-22",
        "id": "7914981",
        "title": "2015年全省经济运行情况"
    },
    {
        "createDate": "2015-01-22",
        "id": "7915411",
        "title": "2014年全省经济运行情况"
    },
    {
        "createDate": "2014-01-23",
        "id": "7915791",
        "title": "2013年全省经济运行情况"
    },
    {
        "createDate": "2012-01-20",
        "id": "7916451",
        "title": "2011年全省经济运行情况"
    },
    {
        "createDate": "2011-01-24",
        "id": "7916941",
        "title": "2010年全省经济运行情况"
    },
    {
        "createDate": "2010-01-23",
        "id": "7917271",
        "title": "2009年全省经济运行情况"
    }
]

原因探究

shard与Lucene

  • 不同index的不同shard,对于同样的数据,检索得分可能不同
  • 这是因为每一个shard都是一个Lucene实例,Lucene使用TF/IDF计算相关度算法。而每个Lucene实例只保存了自身的TF和IDF统计信息,所以一个shard只知道term在其自身中出现的次数,而非整个cluster

TF: Term Frequency的缩写,表示该term在当前document出现的频率
IDF: Inverse Document Frequency缩写,表示该term在所有文档中出现的频率

  • 从TF/IDF算法可以看出,该term在当前文档出现次数越高,那么分值越大;如果该term在所有文档出现的频率越小,那么分值越大。这样term分数,不仅和此篇命中的文档有关,还和该shard的文档数量、文档内容量有关
  • 而每个shard里的文档,是根据哈希算法分配的,数量不总是一致的。尤其当文档总数较少时,这种数量不一致可能比较明显。从而同一篇文档,针对term可能得分不同

searchType

QUERY_THEN_FETCH

  • 在elasticsearch搜索时,默认使用QUERY_THEN_FETCH
  • 根据官方文档,QUERY_THEN_FETCH模式搜索步骤如下:
    • 发送查询到每个shard
    • 找到所有匹配的文档,当然,使用本地的TF/IDF信息进行打分
    • 对结果构建一个优先队列(排序,标页等)
    • 返回关于结果的足够的元数据到请求节点。注意,不包含文档内容
    • 来自所有shard的分数合并起来,并在请求节点上进行排序,获得要求的分页和数量的文档
    • 最终,实际文档从他们各自所在的独立的shard上检索出来(此时包含文档内容)
    • 按请求要求,包装好结果返回给用户请求
  • 由以上可以看出,默认方法并不保证相同的文档得分一致
  • 但是实际上当对准确率要求没那么苛刻时,结果还是很理想的,所以一般的检索场景都是能满足的
  • Lucene根据哈希算法分配文档到不同shard,当文档数据量比较大时,哈希结果会使不同shard文档数量趋于一致,默认的方式也能取得相当理想的结果

DFS_QUERY_THEN_FETCH

  • 可以使用search_type参数指定其他搜索模式,DFS_QUERY_THEN_FETCH就是Elasticsearch提供的,针对以上问题的解决方案
  • {@link #QUERY_THEN_FETCH}大致相同
  • 只是在初始分散阶段,DFS_QUERY_THEN_FETCH会向所有shard询问TF/IDF,以获得更准确的评分
  • 在具体每个shard的查询时,就可以使用预先查询获取到的全局TF/IDF

源码

/*
 * Licensed to Elasticsearch under one or more contributor
 * license agreements. See the NOTICE file distributed with
 * this work for additional information regarding copyright
 * ownership. Elasticsearch licenses this file to you under
 * the Apache License, Version 2.0 (the "License"); you may
 * not use this file except in compliance with the License.
 * You may obtain a copy of the License at
 *
 *    http://www.apache.org/licenses/LICENSE-2.0
 *
 * Unless required by applicable law or agreed to in writing,
 * software distributed under the License is distributed on an
 * "AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY
 * KIND, either express or implied.  See the License for the
 * specific language governing permissions and limitations
 * under the License.
 */

package org.elasticsearch.action.search;

/**
 * Search type represent the manner at which the search operation is executed.
 *
 *
 */
public enum SearchType {
    /**
     * Same as {@link #QUERY_THEN_FETCH}, except for an initial scatter phase which goes and computes the distributed
     * term frequencies for more accurate scoring.
     */
    DFS_QUERY_THEN_FETCH((byte) 0),
    /**
     * The query is executed against all shards, but only enough information is returned (not the document content).
     * The results are then sorted and ranked, and based on it, only the relevant shards are asked for the actual
     * document content. The return number of hits is exactly as specified in size, since they are the only ones that
     * are fetched. This is very handy when the index has a lot of shards (not replicas, shard id groups).
     */
    QUERY_THEN_FETCH((byte) 1),
    // 2 used to be DFS_QUERY_AND_FETCH

    /**
     * Only used for pre 5.3 request where this type is still needed
     */
    @Deprecated
    QUERY_AND_FETCH((byte) 3);

    /**
     * The default search type ({@link #QUERY_THEN_FETCH}.
     */
    public static final SearchType DEFAULT = QUERY_THEN_FETCH;

    private byte id;

    SearchType(byte id) {
        this.id = id;
    }

    /**
     * The internal id of the type.
     */
    public byte id() {
        return this.id;
    }

    /**
     * Constructs search type based on the internal id.
     */
    public static SearchType fromId(byte id) {
        if (id == 0) {
            return DFS_QUERY_THEN_FETCH;
        } else if (id == 1
            || id == 3) { // This is a BWC layer for pre 5.3 indices where QUERY_AND_FETCH was id 3 but we don't have it anymore from 5.3 on
            return QUERY_THEN_FETCH;
        } else {
            throw new IllegalArgumentException("No search type for [" + id + "]");
        }
    }

    /**
     * The a string representation search type to execute, defaults to {@link SearchType#DEFAULT}. Can be
     * one of "dfs_query_then_fetch"/"dfsQueryThenFetch", "dfs_query_and_fetch"/"dfsQueryAndFetch",
     * "query_then_fetch"/"queryThenFetch" and "query_and_fetch"/"queryAndFetch".
     */
    public static SearchType fromString(String searchType) {
        if (searchType == null) {
            return SearchType.DEFAULT;
        }
        if ("dfs_query_then_fetch".equals(searchType)) {
            return SearchType.DFS_QUERY_THEN_FETCH;
        } else if ("query_then_fetch".equals(searchType)) {
            return SearchType.QUERY_THEN_FETCH;
        } else {
            throw new IllegalArgumentException("No search type for [" + searchType + "]");
        }
    }
}

解决

  • 如果要求评分必须一致,可以使用DFS_QUERY_THEN_FETCH,但是使用此方式可能会有一点点的查询性能损耗,目前在我们生产环境使用可以忽略
searchRequestBuilder.setSearchType(SearchType.DFS_QUERY_THEN_FETCH).get();
  • 如果数据量比较少,可以考虑单shard,修改index的配置,number_of_shards=1
  大数据 最新文章
实现Kafka至少消费一次
亚马逊云科技:还在苦于ETL?Zero ETL的时代
初探MapReduce
【SpringBoot框架篇】32.基于注解+redis实现
Elasticsearch:如何减少 Elasticsearch 集
Go redis操作
Redis面试题
专题五 Redis高并发场景
基于GBase8s和Calcite的多数据源查询
Redis——底层数据结构原理
上一篇文章      下一篇文章      查看所有文章
加:2021-08-03 11:16:33  更:2021-08-03 11:17:37 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/23 5:27:37-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码