短语查询和使用 shingle 过滤器有什么区别？

Question

我目前正在使用 lucene 索引网页。目的是能够快速提取出哪个页面包含某个表达（通常是 1、2 或 3 个单词），以及页面中还有哪些其他单词（或其中 1 到 3 个的组）。 这将用于构建/丰富/更改同义词库（固定词汇表）。

从我找到的文章看来，问题在于找到n-grams（或木瓦）。

Lucene 有一个ShingleFilter、一个ShingleMatrixFilter 和一个ShingleAnalyzerWrapper，似乎与这个任务有关。

通过presentation，我了解到 Lucene 还可以搜索由固定数量的单词分隔的术语（称为 slops）。提供了一个示例here。

但是，我不清楚这些方法之间的区别？它们是根本不同，还是您必须做出的性能/索引大小选择？

ShingleMatrixFilter 和 ShingleFilter 有什么区别？

希望 Lucene 大师能找到这个问题，并回答 ;-) ！

Answer 1

使用词组与带状疱疹的区别主要在于表现和评分。

当在索引中有单个单词的典型情况下使用短语查询（比如“foo bar”）时，短语查询必须遍历“foo”和“bar”的倒排索引，并找到同时包含这两个词的文档术语，然后在每个文档中遍历他们的位置列表，以找到“foo”出现在“bar”之前的位置。

这对性能和得分都有一定的影响：

1. 位置 (.prx) 必须被索引和搜索，这就像倒排索引的额外“维度”，会增加索引和搜索时间
2. 因为倒排索引中只出现了单个词，所以没有计算出真正的“短语 IDF”（这可能不会影响您）。因此，这是根据 IDF 项的总和进行近似计算的。

另一方面，如果您使用 shingles，那么您也在索引单词 n-gram，换句话说，如果您使用 shingling 的大小为 2，那么索引中还会包含诸如“foo bar”之类的术语。这意味着对于这个短语查询，它将被解析为一个简单的 TermQuery，而不使用任何位置列表。由于它现在是一个“真正的术语”，因此 IDF 这个短语将是准确的，因为我们确切地知道这个“术语”存在多少文档。

但使用带状疱疹也有一些成本：

1. 增加了术语字典、术语索引和发布列表大小，尽管这可能是一个公平的权衡，特别是如果您完全使用 Field.setIndexOptions 完全禁用位置。
2. 在索引分析阶段的一些额外成本：尽管 ShingleFilter 优化得很好并且速度非常快。
3. 没有明显的方法来计算“草率的短语查询”或不精确的短语匹配，尽管这可以近似，例如对于带有大小为 2 的带状疱疹的“foo bar baz”短语，您将有两个标记：foo_bar、bar_baz，并且您可以通过 lucene 的一些其他查询（如 BooleanQuery）实现搜索以获得不精确的近似值。

一般来说，使用像带状疱疹或 CommonGrams 之类的东西来索引 word-ngram 只是一种权衡（相当专家），以降低位置查询的成本或提高短语评分。

但是这些东西有实际的用例，这里有一个很好的例子： http://www.hathitrust.org/blogs/large-scale-search/slow-queries-and-common-words-part-2