Elasticsearch的停用词(stopwords)

Posted 2020-11-05 省心省力

１、问题

在使用搜索引擎(Elasticsearch或Solr)作为应用的后台搜索平台的时候，会遇到停用词(stopwords)的问题。

在信息检索中，停用词是为节省存储空间和提高搜索效率，处理文本时自动过滤掉某些字或词，这些字或词即被称为Stop Words（停用词）。停用词大致分为两类。一类是语言中的功能词，这些词极其普遍而无实际含义，比如“the”、“is“、“which“、“on”等。另一类是词汇词，比如‘want‘等，这些词应用广泛，但搜索引擎无法保证能够给出真正相关的搜索结果，难以缩小搜索范围，还会降低搜索效率。实践中，通常把这些词从问题中过滤，从而节省索引的存储空间、提高搜索性能。

但是在实际语言环境中，停用词有时也有用的。比如，莎士比亚的名句：“To be or not to be.”所有的词都是停用词。特别当停用词和通配符(*)同时使用的时候，问题就来了：“the”、“is“、“on”还是停用词码？

２、解决方案

 实际运用中，没有一个解决方案是100%完美的。很多时候需要我们根据实际用例作相应的调整和折中，来达到期望的结果。在这个时候，需要用８０／２０原则，把目标专著在提高用户体验上。

2.1、对不同的搜索对象区别对待

过滤停用词是为节省存储空间和提高搜索效率。实践中，不同的应用场景和对象对存储空间和搜索效率的需求不一样。比如，文章的标题，一般都很短，而且有大量的限定词区别词的定义，它对节省存储空间和效率的要求不高，但是常常需要停用词来限定名词的意义。我们可以考虑保留停用词。而对于文章体的全文本，存储空间和效率的要求很高，使用停用词过滤可以大大减少存储空间，提高搜索效率。

对Elasticsearch，下面是我们用到的索引定义：消息标题是text类型，没有使用停用词，而消息文本是standard_text类型，这个类型在设置里定义了使用英语标准的停用词过滤。

{
  "demo": {
    "settings": {
      "index": {
        "number_of_shards": "5",
        "number_of_replicas": "1",
        "analysis": {
          "analyzer": {
            "standard_text": {
              "type": "standard",
              "stopwords": "_english_"
            }
          }
        }
     },
    "mappings": {
      "msg": {
        "_routing": { "required": true },
        "properties": {
          "title": {
            "type": "text"
          },
          "body": {
            "type": "text",
            "analyzer": "standard_text"
          }
        }
      }
    }
  }
}

2.2、match查询

考虑一个例子：“and”。作为停用词，在“and”会在索引创建的时候被过滤掉：POST store/_analyze {  "field": "body", "text": ["and"] }

得到的分析结果是：{  "tokens": []  }

但是，如果我们用title字段来分析的时候，结果会得到保存：POST store/_analyze {  "field": "title", "text": ["and"] }

{ "tokens": [{
      "token": "and",
      "start_offset": 0,
      "end_offset": 3,
      "type": "<ALPHANUM>",
      "position": 0
    }
  ]
}

但是当我们需要搜索文本的时候，会出现很多不如意的地方。比如，如果我们需要查消息体内chris && and && john这三个词的时候，因为and被过滤了，而查询条件又是与操作，导致没有任何信息符合。有人说，能不能把and从查询条件中去除啊？可以，虽然有点麻烦，总是可以做。但是，有几个新问题需要解决：

• 你需要拿到所有语言的停用词才能做这个预处理。
• 万一这些语言的停用词变了呢？我们还需要及时更正。

幸运的是Elasticsearch的match查询提供了一个功能解决这个问题，同时我们不需要在应用程序中预处理停用词：zero_terms_query和cutoff_frequency。

• zero_terms_query

如果使用的分析器删除查询中的所有标记（如停用词），默认行为完全不匹配任何文档(none)。 可以使用zero_terms_query选项改变默认，none(默认)，或all对应于match_all查询。

当查询使用"operator" : "and"的时候，需要把zero_terms_query设置为all。如果"operator" : "or"，默认选项是我们需要的：

GET demo/msg/_search
{
    "query": {
        "match" : {
            "body" : {
                "query" : "chris and john",
                "operator" : "and",
                "zero_terms_query": "all"
            }
        }
    }
}

• cutoff_frequency

match查询支持cutoff_frequency，允许指定绝对或相对的文档频率：

• • OR：高频单词被放入“或许有”的类别，仅在至少有一个低频（低于截断）单词满足条件时才积分；
  • AND：高频单词被放入“或许有”的类别，仅在所有低频（低于截断）单词满足条件时才积分。

该查询允许在运行时动态地处理停用词，相对领域独立，并且不需要停用词文件。它防止评分/迭代高频词，只在更重要（更低频率）的词与文档匹配时才考虑。但是，如果所有查询条件都高于给定的cutoff_frequency，查询会自动转换为纯联合（和）查询以确保快速执行。

cutoff_frequency可以是相对于文档的总数的小数[0..1)，也可以是绝对值[1, +∞)。

GET demo/msg/_search
{
    "query": {
        "match" : {
            "body" : {
                "query" : "chris and john",
                "cutoff_frequency" : 0.001
            }
        }
    }
}

2.3、common 查询

大致说，common查询会分析查询文本，确定哪些单词“重要”，并使用这些单词进行搜索。 只有在文件与重要文字相匹配后才考虑“不重要”的字眼。“common查询”背后的动机是充分利用停用词清除的功能（更快的搜索），而不会完全消除停用词（因为它们有时可能有助于得分）。

执行此查询时会分几步：

1. 查询会被发送到索引的每个shard;
2. 在每个shard，Elasticsearch都会查看每个术语的文档频率
3. 如果一个词的文档频率低于0.1％（0.001），那么它被认为是“低频”。 否则，它将被移到次要的“高频”列表中
4. “低频”列表被重写为（逻辑AND）。 在这个例子中，它会包含“bonsai”，“cool”
5. 然后将任何高频的文档分到剩余的高频列表中（“this”，“is”）

看看下面例子：

{
  "common": {
    "body": {
      "query":            "this is bonsai cool",
      "cutoff_frequency": 0.001
    }
  }
}

在系统内，它被重写为：

{
  "bool": {
    "must": [
      { "term": { "body": "bonsai"}},
      { "term": { "body": "cool"}}
    ],
    "should": [
      { "term": { "body": "this"}}
      { "term": { "body": "is"}}
    ]
  }
}

3、通配符

 我们还有一个问题，match查询不支持通配符。Elasticsearch对通配符支持包括两个情况：

• keyword：wildcard，prefix
• text：wildcard，prefix，match_phrase_prefix

第一种情况下，keyword的字段不会对索引和查询时文本做预处理。因此，在对该字段索引和查询的时候，应用程序必须做简单的一致性处理 ，比如把单词字母都变成小写。

第二种情况，text在索引时是通过分析器处理和过滤的，比如每个词都会正规化。而查询时，wildcard，match_prefix，match_phrase_prefix每个方法对查询文本的处理都不一样，需要分开对待：

• wildcard：查询时Elasticsearch不会通过分析器处理，因此，应用程序必须对查询文本做简单的一致性处理。
• prefix，match_phrase_prefix：查询时Elasticsearch会通过分析器处理。这时候停用词会被过滤掉。

参考文献

[1] https://www.elastic.co/blog/stop-stopping-stop-words-a-look-at-common-terms-query