码迷,mamicode.com
首页 > 其他好文 > 详细

solr入门之搜索建议的几种实现方式和最终选取实现思路

时间:2018-07-30 14:46:13      阅读:160      评论:0      收藏:0      [点我收藏+]

标签:value   pen   技术分享   map   crm   wiki   方案   特殊   等等   

上篇博客中我简单的讲了下solr自身的suggest模块来实现搜索建议.但是今天研究了下在solr自身的suggest中添加进去拼音来智能推荐时不时很方便.在次从网上搜集和整理思考了下该问题的解决.

 

 

问题背景

搜索关键字智能提示是一个搜索应用的标配,主要作用是避免用户输入错误的搜索词,并将用户引导到相应的关键词上,以提升用户搜索体验。

美团CRM系统中存在数以百万计的商家,为了让用户快速查找到目标商家,我们基于solrcloud实现了商家搜索模块。用户在查找商家时主要输入 商户名、商户地址进行搜索,为了提升用户的搜索体验和输入效率,本文实现了一种基于solr前缀匹配查询关键字智能提示(Suggestion)实现。

需求分析

  • 支持前缀匹配原则
    在搜索框中输入“海底”,搜索框下面会以海底为前缀,展示“海底捞”、“海底捞火锅”、“海底世界”等等搜索词;输入“万达”,会提示“万达影城”、“万达广场”、“万达百货”等搜索词。

  • 同时支持汉字、拼音输入
    由于中文的特点,如果搜索自动提示可以支持拼音的话会给用户带来更大的方便,免得切换输入法。比如,输入“haidi”提示的关键字和输入“海底”提示的一样,输入“wanda”与输入“万达”提示的关键字一样。

  • 支持多音字输入提示
    比如输入“chongqing”或者“zhongqing”都能提示出“重庆火锅”、“重庆烤鱼”、“重庆小天鹅”。

  • 支持拼音缩写输入
    对于较长关键字,为了提高输入效率,有必要提供拼音缩写输入。比如输入“hd”应该能提示出“haidi”相似的关键字,输入“wd”也一样能提示出“万达”关键字。

  • 基于用户的历史搜索行为,按照关键字热度进行排序
    为了提供suggest关键字的准确度,最终查询结果,根据用户查询关键字的频率进行排 序,如输入[重庆,chongqing,cq,zhongqing,zq] —> [“重庆火锅”(f1),“重庆烤鱼”(f2),“重庆小天鹅”(f3),…],查询频率f1 > f2 > f3。

解决方案

  • 关键字收集
    当用户输入一个前缀时,碰到提示的候选词很多的时候,如何取舍,哪些展示在前面,哪些展示在 后面?这就是一个搜索热度的问题。用户在使用搜索引擎查找商家时,会输入大量的关键字,每一次输入就是对关键字的一次投票,那么关键字被输入的次数越多, 它对应的查询就比较热门,所以需要把查询的关键字记录下来,并且统计出每个关键字的频率,方便提示结果按照频率排序。搜索引擎会通过日志文件把用户每次检 索使用的所有检索串都记录下来,每个查询串的长度为1-255字节。

  • 汉字转拼音
    用户输入的关键字可能是汉字、数字,英文,拼音,特殊字符等等,由于需要实现拼音提示,我们需要把汉字转换成拼音,java中考虑使用pinyin4j组件实现转换。

  • 拼音缩写提取
    考虑到需要支持拼音缩写,汉字转换拼音的过程中,顺便提取出拼音缩写,如“chongqing”,"zhongqing"--->"cq",”zq”。

  • 多音字全排列
    要支持多音字提示,对查询串转换成拼音后,需要实现一个全排列组合,字符串多音字全排列算法如下:

    public static List getPermutationSentence(List<list> termArrays,int start) {

    1.  
      if (CollectionUtils.isEmpty(termArrays))
    2.  
      return Collections.emptyList();
    3.  
       
    4.  
      int size = termArrays.size();
    5.  
      if (start < 0 || start >= size) {
    6.  
      return Collections.emptyList();
    7.  
      }
    8.  
       
    9.  
      if (start == size-1) {
    10.  
      return termArrays.get(start);
    11.  
      }
    12.  
       
    13.  
      List<String> strings = termArrays.get(start);
    14.  
       
    15.  
      List<String> permutationSentences = getPermutationSentence(termArrays, start + 1);
    16.  
       
    17.  
      if (CollectionUtils.isEmpty(strings)) {
    18.  
      return permutationSentences;
    19.  
      }
    20.  
       
    21.  
      if (CollectionUtils.isEmpty(permutationSentences)) {
    22.  
      return strings;
    23.  
      }
    24.  
       
    25.  
      List<String> result = new ArrayList<String>();
    26.  
      for (String pre : strings) {
    27.  
      for (String suffix : permutationSentences) {
    28.  
      result.add(pre+suffix);
    29.  
      }
    30.  
      }
    31.  
       
    32.  
      return result;

    }

  • 索引与前缀查询

方案一 Trie树 + TopK算法
Trie树即字典树,又称单 词查找树或键树,是一种树形结构,是一种哈希树的变种。典型应用是用于统计和排序大量的字符串(但不仅限于字符串),所以经常被搜索引擎系统用于文本词频 统计。它的优点是:最大限度地减少无谓的字符串比较,查询效率比哈希表高。Trie是一颗存储多个字符串的树。相邻节点间的边代表一个字符,这样树的每条 分支代表一则子串,而树的叶节点则代表完整的字符串。和普通树不同的地方是,相同的字符串前缀共享同一条分支。例如,给出一组单词inn, int, at, age, adv, ant, 我们可以得到下面的Trie:


从 上图可知,当用户输入前缀i的时候,搜索框可能会展示以i为前缀的“in”,“inn”,”int"等关键词,再当用户输入前缀a的时候,搜索框里面可能 会提示以a为前缀的“ate”等关键词。如此,实现搜索引擎智能提示suggestion的第一个步骤便清晰了,即用trie树存储大量字符串,当前缀固 定时,存储相对来说比较热的后缀。

TopK算法用于解决统计热词的问题。解决TopK问题主要有两种策略:hashMap统计+排序、堆排序
hashmap 统计: 先对这批海量数据预处理。具体方法是:维护一个Key为Query字串,Value为该Query出现次数的HashTable,即 hash_map(Query,Value),每次读取一个Query,如果该字串不在Table中,那么加入该字串,并且将Value值设为1;如果该 字串在Table中,那么将该字串的计数加一即可,最终在O(N)的时间复杂度内用Hash表完成了统计。
堆排序:借助堆这个数据结构,找出 Top K,时间复杂度为N‘logK。即借助堆结构,我们可以在log量级的时间内查找和调整/移动。因此,维护一个K(该题目中是10)大小的小根堆,然后遍 历300万的Query,分别和根元素进行对比。所以,我们最终的时间复杂度是:O(N) + N‘ * O(logK),(N为1000万,N’为300万)。

该方案存在的问题是:

  • 建索引和查询的时候都要把汉字转换成拼音,查询完成后还得把拼音转换成汉字显示,且需要考虑数字和特殊字符。
  • 需要维护拼音、缩写两棵Trie树。

方案二 Solr自带Suggest智能提示
Solr作为一个应用广泛的搜索引擎系统,它内置了智能提示功能,叫做Suggest模块。该模块可选择基于提示词文本做智能提示,还支持通过针对索引的某个字段建立索引词库做智能提示。 (详见solr的wiki页面http://wiki.apache.org/solr/Suggester)

该方案存在的问题是:

  • 返回的结果是基于索引中字段的词频进行排序,不是用户搜索关键字的频率,因此不能将一些热门关键字排在前面。
  • 拼音提示,多音字,缩写还是要另外加索引字段。

方案三 Solrcloud建立单独的collection,利用solr前缀查询实现
如前所述,以上 两个方案在实施起来都存在一些问题,Trie树+TopK算法,在处理汉字suggest时不是很优雅,且需要维护两棵Trie树,实施起来比较复 杂;Solr自带的suggest智能提示组件存在问题是使用freq排序算法,返回的结果完全基于索引中字符的出现次数,没有兼顾用户搜索词语的频率, 因此无法将一些热门词排在更靠前的位置。于是,我们继续寻找一种解决这个问题更加优雅的方案。

至此,我们考虑专门为关键字建立一个索引collection,利用solr前缀查询实现。solr中的copyField能很好解决我们同时索引 多个字段(汉字、pinyin, abbre)的需求,且field的multiValued属性设置为true时能解决同一个关键字的多音字组合问题。配置如下:

  1.  
    schema.xml:
  2.  
     
  3.  
    <field name="kw" type="string" indexed="true" stored="true" />
  4.  
    <field name="pinyin" type="string" indexed="true" stored="false" multiValued="true"/>
  5.  
    <field name="abbre" type="string" indexed="true" stored="false" multiValued="true"/>
  6.  
    <field name="kwfreq" type="int" indexed="true" stored="true" />
  7.  
    <field name="_version_" type="long" indexed="true" stored="true"/>
  8.  
    <field name="suggest" type="suggest_text" indexed="true" stored="false" multiValued="true" />
  9.  
    ------------------multiValued表示字段是多值的-------------------------------------
  10.  
    <uniqueKey>kw</uniqueKey>
  11.  
    <defaultSearchField>suggest</defaultSearchField>
  12.  
     
  13.  
    说明:
  14.  
    kw为原始关键字
  15.  
    pinyin和abbre的multiValued=true,在使用solrj建此索引时,定义成集合类型即可:如关键字“重庆”的pinyin字段为{chongqing,zhongqing}, abbre字段为{cq, zq}
  16.  
    kwfreq为用户搜索关键的频率,用于查询的时候排序
  17.  
     
  18.  
    -------------------------------------------------------
  19.  
     
  20.  
    <copyField source="kw" dest="suggest" />
  21.  
    <copyField source="pinyin" dest="suggest" />
  22.  
    <copyField source="abbre" dest="suggest" />
  23.  
     
  24.  
    ------------------suggest_text----------------------------------
  25.  
     
  26.  
    <fieldType name="suggest_text" class="solr.TextField" positionIncrementGap="100" autoGeneratePhraseQueries="true">
  27.  
    <analyzer type="index">
  28.  
    <tokenizer class="solr.KeywordTokenizerFactory" />
  29.  
    &lt;filter class="solr.SynonymFilterFactory"
  30.  
    synonyms="synonyms.txt"
  31.  
    ignoreCase="true"
  32.  
    expand="true" />
  33.  
    <filter class="solr.StopFilterFactory"
  34.  
    ignoreCase="true"
  35.  
    words="stopwords.txt"
  36.  
    enablePositionIncrements="true" />
  37.  
    <filter class="solr.LowerCaseFilterFactory" />
  38.  
    <filter class="solr.KeywordMarkerFilterFactory" protected="protwords.txt" />
  39.  
    </analyzer>
  40.  
    <analyzer type="query">
  41.  
    <tokenizer class="solr.KeywordTokenizerFactory" />
  42.  
    <filter class="solr.StopFilterFactory"
  43.  
    ignoreCase="true"
  44.  
    words="stopwords.txt"
  45.  
    enablePositionIncrements="true" />
  46.  
    <filter class="solr.LowerCaseFilterFactory" />
  47.  
    <filter class="solr.KeywordMarkerFilterFactory" protected="protwords.txt" />
  48.  
    </analyzer>
  49.  
    </fieldType>

KeywordTokenizerFactory:这个分词器不进行任何分词!整个字符流变为单个词元。String域类型也有类似的效果,但是它 不能配置文本分析的其它处理组件,比如大小写转换。任何用于排序和大部分Faceting功能的索引域,这个索引域只有能一个原始域值中的一个词元。

前缀查询构造:

  1.  
    private SolrQuery getSuggestQuery(String prefix, Integer limit) {
  2.  
    SolrQuery solrQuery = new SolrQuery();
  3.  
    StringBuilder sb = new StringBuilder();
  4.  
    sb.append(“suggest:").append(prefix).append("*");
  5.  
    solrQuery.setQuery(sb.toString());
  6.  
    solrQuery.addField("kw");
  7.  
    solrQuery.addField("kwfreq");
  8.  
    solrQuery.addSort("kwfreq", SolrQuery.ORDER.desc);
  9.  
    solrQuery.setStart(0);
  10.  
    solrQuery.setRows(limit);
  11.  
    return solrQuery;
  12.  
    }

效果如下图所示:

参考

 

 

-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

方案实践---基础solr自身的suggest来实现 1.在中文建议后如何添加拼音建议? ---无法实现 2.使用新建库来实现suggest功能
基本实现原理
分词采用String方式  suggest:名星* mx* mingxing*  此种方式 将显示以指定字符开头的字段

 

技术分享图片

 

将原始词语放入一个多值的字段中,再将其经过处理的拼音也放入其中(类似第三个方法不过不需要写OR了) 索引存放成功后,再设置词频字段进行排序即可

 

其实就是上述第三种方案的实现和简单的优化. 涉及到拼音建议的问题就需要使用到拼音工具类来完成这个问题.

这个方法我放在下篇博客中讲解.

solr入门之搜索建议的几种实现方式和最终选取实现思路

标签:value   pen   技术分享   map   crm   wiki   方案   特殊   等等   

原文地址:https://www.cnblogs.com/cuihongyu3503319/p/9390075.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!