0
点赞
收藏
分享

微信扫一扫

Elasticsearch-16.多语言及中文分词与检索

Elasticsearch

多语言及中文分词与检索

自然语言与查询Recall

  • 当处理人类自 然语言时,有些情况,尽管搜索和原文不完全匹配,但是希望搜到- -些内容
    • Quick brown fox和fast brown fox / Jumping fox和Jumped foxes
  • 一些可采取的优化
    • 归一化词元:清除变音符号,如role的时候也会匹配role
    • 抽取词根:清除单复数和时态的差异
    • 包含同义词
    • 拼写错误:拼写错误,或者同音异形词

混合多语言的挑战

  • 一些具体的多语言场景

    • 不同的索引使用不同的语言/同一个索引中,不同的字段使用不同的语言/ -个
      文档的一个字段内混合不同的语言
  • 混合语言存在的一些挑战

    • 词干提取: 以色列文档,包含了希伯来语,阿拉伯语,俄语和英文
    • 不正确的文档频率-英文为主的文章中,德文算分高(稀有)
    • 需要判断用户搜索时使用的语言,语言识别(Compact Language Detector)
      • 例如,根据语言,查询不同的索引

分词的挑战

  • 英文分词: You’re 分成一个还是多个? Half. -baked
  • 中文分词
    • 分词标准:哈工大标准中,姓和名分开。HanLP 是在一起的。具体情况需制定不
      同的标准
    • 歧义(组合型歧义,交集型歧义,真歧义)
      • 中华人民共和国/美国会通过对台售武法案/上海仁和服装厂

中文分词方法的演变一字典法

  • 查字典一 最容易想到的分词方法(北京航空大学的梁南元教授提 出)

    • 一个句子从左到右扫描一-遍。遇到有的词就标示出来。找到复合词,就找最长的
    • 不认识的字串就分割成单字词
  • 最小词数的分词理论 -哈工大王晓龙博士把查字典的方法理论化

    • 一句话应该分成数量最少的词串
    • 遇到二义性的分割, 无能为力(例如:“ 发展中国家”/“上海大学城书店”)
    • 用各种文化规则来解决二义性, 都并不成功

中文分词方法的演变一基于统计法的机器学习算法

  • 统计语言模型- 1990年前后,清华大学电子工程系郭进博士

    • 解决了二义性问题,将中文分词的错误率降低了一个数量级。概率问题,动态规划+利用维特比算
      法快速找到最佳分词
  • 基于统计的机器学习算法

    • 这类 目前常用的是算法是HMM、CRF、SVM、深度学习等算法。比如Hanlp分词工具是基于CRF
      算法以CRF为例,基本思路是对汉字进行标注训练,不仅考虑了词语出现的频率,还考虑上下文,
      具备较好的学习能力,因此其对歧义词和未登录词的识别都具有良好的效果。

    • 随着深度学习的兴起,也出现了基于神经网络的分词器,有人尝试使用双向L STM+CRF实现分词器,
      其本质_上是序列标注,据报道其分词器字符准确率可高达97.5%

中文分词器现状

  • 中文分词器以统计语言 模型为基础,经过几十年的发展,今天基本已经可以看作是一个
    已经解决的问题

  • 不同分词器的好坏, 主要的差别在于数据的使用和工程使用的精度

  • 常见的分词器都是使用机器学习算法和词典相结合,-方面能够提高分词准确率,另-
    方面能够改善领域适应性。

一些中文分词器

  • HanLP 一面向生产环境的自然语言处理工具包

    • http://hanlp.com/
    • https:/ /qithub.com/KennFalcon/ elasticsearch- -analysis- hanlp
  • IK 分词器

    • https:/ /github.com/ medcl/elasticsearch- analysis-ik

HanL P Analysis

  • HanL P
    • ./elasticsearch-plugin install https:/ /github.com/KennFalcon/ elasticsearch-analysis-
      hanlp/ releases/download/v7.1.0/elasticsearch-analysis-hanlp-7.1.0.zip

在这里插入图片描述

IK Analysis

  • HanL.P.

    • ./elasticsearch-plugin install https:/ /github.com/medcl/elasticsearch- -analysis-
      ik/releases/ download/v7.1.0/elasticsearch- analysis- -ik-7.1.0.zip
  • 特性

    • 支持字典热更新

在这里插入图片描述

Pinyin Analysis

  • Pinyin
    • ./elasticsearch-plugin install https://github.com/medcl/elasticsearch-analysis-
      pinyin/ releases/ download/v7.1.0/ elasticsearch-analysis-pinyin-7.1.0.zip

在这里插入图片描述

中文分词Demo

  • 使用不同的分词器测试效果
    索引时,尽量切分的短,查询的时候,尽量用长的词

  • 拼音分词器.

API

POST tmdb/_search
{
"_source": ["title","overview"],
 "query": {
   "match_all": {}
 }
}

POST tmdb/_search
{
  "_source": ["title","overview"],
  "query": {
    "multi_match": {
      "query": "basketball with cartoon aliens",
      "fields": ["title","overview"]
    }
  },
  "highlight" : {
        "fields" : {
            "overview" : { "pre_tags" : ["\\033[0;32;40m"], "post_tags" : ["\\033[0m"] },
            "title" : { "pre_tags" : ["\\033[0;32;40m"], "post_tags" : ["\\033[0m"] }

        }
    }
}

知识点回顾

  • 多 语言搜索的挑战
    • 分词 /语言检测/相关性算分
  • Elasticsearch中,多语言搜索所使用的一些技巧
    • 归一化词元 /单词词根抽取/同义词/拼写错误
  • 中文分词的演进及一些 ES中文分词器&拼音分词器介绍
举报

相关推荐

0 条评论