Lucene+Solr+ElasticSearch查询匹配优化

当我们在处理搜索业务时候，需求往往是灵活多变的，有时候我们需要精确匹配，有时候我们又需要全文检索，而有时候，我们又想匹配度高而且还能全文检索，这似乎是精确匹配和模糊匹配一个妥协的策略，没错这就是搜索引擎出现的目的，以往的数据库是没法解决这种问题的，数据库只能回答有，没有，存在，不存在，并不能在有和没有之间做一个完美的妥协，比如说能把最匹配最相关的结果放在topN，仅靠like模糊查询是解决不了这种问题的。


Apache Lucene这个强大的全文检索核心包，提供了搜索引擎的核心组件，通过相关性评分算法（VSM/BM25），出色的了解决了相关性匹配问题，当然Solr和ElasticSearch构建在Lucene之上，自然也继承了这种优秀的能力。

默认情况下，Lucene/Solr/ES的Boolean查询有三种查询策略：
（1）必须匹配 -> must
（2）必须不匹配 -> mustn't
（3）至少匹配一个 ->should

除此之外，对于分词字段，我们还可以通过 最小匹配查询（Minimum Should Match）来灵活控制查询策略

举个例子： 北京奇虎科技有限公司

使用IK最细粒度分词后内容：北京/奇虎/科技/有限公司/有限/有/限/公司


我们可以通过defType=edismax&mm=100%25来控制term最小命中的个数，下面来看下mm参数的详细解释：

语法一：mm=3  代表至少匹配3个term，不管总term有多少个，如果查询词分词后的term个数小于3，那么就以最小的这个term数为基准进行查询
语法二：-2    允许返回的结果里面，最多有2个不匹配term，其他的必须都匹配，这是一种反向用法
语法三：mm=75% 允许返回的结果里面，至少有75%匹配度，如果不能整除，则采取进一法来得到最小匹配个数，比如计算值=3.75，那么这个mm就等于3，如果等于0.6这个等于0
语法四：mm=-25% 反向设置，返回的结果里面最多有25%的不匹配
语法五：3<90%  如果一个字段分词后的term数，小于等于3，则要求全部匹配，如果大于3，则要求90%的匹配度
语法六：2<-25% 9<-3  小于2个term，要求全部匹配，如果是3-9个要求100%-25%=75%匹配，如果大于9个，则最多允许有3个不匹配term出现


情景1：查询北京奇虎+mm=3 能查询到北京奇虎科技有限公司
情景2：查询北京奇虎360+mm=3 不能查询到北京奇虎科技有限公司
情景3：查询北京奇虎360+mm=2 能查询到北京奇虎科技有限公司
情景4：查询北京奇虎360+mm=80%（3*80%=2.4=2） 能查询到北京奇虎科技有限公司
情景5：查询北京奇虎360+mm=-10%（（3-3*0.1（减一法等0））=3）不能查询到北京奇虎科技有限公司


总结：

对于分词后term数少的，适合采用固定数进行查询限制优化查询
对于分词后term数多的，适合采用百分比进行查询限制优化
mm=0% 代表最少匹配查询词里面出现的任意一个term
mm=100% 代表必须匹配查询词里面所有出现的term

大家可在自己的场景中，不断反复测试，以找到合适的阈值，从而避免查询结果集过大，有太多不相关的数据或者查询结果集偏小漏掉一些相关的数据。


参考资料：
https://cwiki.apache.org/confluence/display/solr/The+DisMax+Query+Parser#TheDisMaxQueryParser-Themm(MinimumShouldMatch)Parameter
https://www.elastic.co/guide/en/elasticsearch/reference/current/query-dsl-minimum-should-match.html


有什么问题可以扫码关注微信公众号：我是攻城师(woshigcs)，在后台留言咨询。
技术债不能欠，健康债更不能欠， 求道之路，与君同行。