我目前正在从事一个项目,该项目涉及从文本中识别不同的“关键词”。
例如,假设输入文本如下:
"This is an example of some text written from Buenos Aires about Meat".
进一步假设我的 elasticsearch 实例存储了以下文档:
Cities: [Barcelona, Buenos Aires, Los Angeles, ...]
和
Categories: [finance, politics, ..]
我需要一种方法来从输入文本中识别相应的城市和类别。
我的第一种方法是使用“或”运算符进行搜索查询,然后查看哪个排名最高。之后,我还将匹配的文档与文本重新匹配,以确保这些文本确实存在(换句话说,确保“洛杉矶”匹配,因为“洛杉矶”一词在文本中并且只有“los”或“天使”。
我想知道这是否是使用 Elasticsearch 执行此类操作的最佳实践方式。
最佳答案
我建议如下:
- 使用
match_phrase
查询以识别术语los
和angeles
存在并且以相同的顺序和位置存在 - 将每个查询包装在 named filter 中这样您就可以确定哪些匹配。
例如,创建这个文档:
curl -XPOST 'http://127.0.0.1:9200/test/test?pretty=1' -d '
{
"text" : "This is an example of some text written from Buenos Aires about Meat"
}
'
然后运行此查询以查找 Buenos Aires
或 Los Angeles
:
curl -XGET 'http://127.0.0.1:9200/test/test/_search?pretty=1' -d '
{
"query" : {
"constant_score" : {
"filter" : {
"or" : [
{
"fquery" : {
"_name" : "buenos_aires",
"query" : {
"match_phrase" : {
"text" : "Buenos Aires"
}
}
}
},
{
"fquery" : {
"_name" : "los_angeles",
"query" : {
"match_phrase" : {
"text" : "Los Angeles"
}
}
}
}
]
}
}
}
}
'
# {
# "hits" : {
# "hits" : [
# {
# "_source" : {
# "text" : "This is an example of some text written from Buenos Aires about Meat"
# },
# "_score" : 1,
# "_index" : "test",
# "_id" : "JIwnN_FVTv-0i5YGrlHLeg",
# "_type" : "test",
# "matched_filters" : [
# "buenos_aires"
# ]
# }
# ],
# "max_score" : 1,
# "total" : 1
# },
# "timed_out" : false,
# "_shards" : {
# "failed" : 0,
# "successful" : 5,
# "total" : 5
# },
# "took" : 58
# }
注意结果中的 matched_filters
元素,指示哪个过滤器匹配。
关于java - 使用 elasticsearch 对文本进行分类,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/15062897/