Elasticsearch模糊匹配中的max_expansions和min_similarity是什么？

Question

我正在项目中使用模糊匹配主要是为了查找拼写错误和同一名称的不同拼写。我需要准确地了解Elasticsearch的模糊匹配是如何工作以及它如何使用标题中提到的两个参数。

据我了解，min_similarity是查询字符串与数据库中字符串匹配的百分比。我没有找到关于如何计算此值的精确描述。

据我理解，max_expansions是执行搜索的Levenshtein距离。如果这实际上是Levenshtein距离，那么它将成为我的理想解决方案。无论如何，它并不能很好地运行，例如，如果我有单词“Samvel”。

queryStr      max_expansions         matches?
samvel        0                      Should not be 0. error (but levenshtein distance   can be 0!)
samvel        1                      Yes
samvvel       1                      Yes
samvvell      1                      Yes (but it shouldn't have)
samvelll      1                      Yes (but it shouldn't have)
saamvelll     1                      No (but for some weird reason it matches with Samvelian)
saamvelll     anything bigger than 1 No

文档中说了些我不太理解的东西：

Add max_expansions to the fuzzy query allowing to control the maximum number 
of terms to match. Default to unbounded (or bounded by the max clause count in 
boolean query).

请问有人能解释一下这些参数如何影响搜索结果吗？

- Yervand Aghababyan

Answer 1

min_similarity是介于零和一之间的一个值。引用自Lucene文档：

For example, for a minimumSimilarity of 0.5 a term of the same length 
as the query term is considered similar to the query term if the edit 
distance between both terms is less than length(term)*0.5

所谓的“编辑距离”是指Levenshtein距离。

这个查询内部的工作方式是：

• 它查找所有在索引中存在并且考虑了min_similarity的搜索词可能匹配的术语
• 然后搜索所有这些术语。

您可以想象一下这个查询有多么繁重！

为了解决这个问题，您可以设置max_expansions参数以指定应考虑的最大匹配项数。

- DrTech

---

啊，那么max_expansions和min_similarity应该一起使用。因此，实际的距离限制是由min_similarity完成的，而max_expansions的作用就像MySQL的LIMIT子句一样？它只是限制潜在结果的数量？ - Yervand Aghababyan

是的，它的工作原理类似于“LIMIT”子句，作用于寻找最终查询中用于搜索术语列表的中间查询而非最终运行的查询。 - DrTech

@DrTech，您说“它会找到所有在索引中存在的可能与搜索词匹配的术语”。这不是模糊搜索的意思吗？您说“然后它会搜索所有这些术语”。但第一步已经完成了，对于能够匹配搜索词的术语进行索引查找，这不就是搜索的目的吗？ - Kaushik Evani