自定义分词器

功能介绍

分词是搜索引擎中一个基础但重要的组件，分词的结果直接影响搜索效果。由于业务场景的多样，同一个短语在不同的业务、不同的语境下，其语义可能会不一样，期望分词的结果也不一样。为此，OpenSearch除了提供面向通用领域的基础分词器外，还提供了面向特定领域的分词器，如面向电商领域的电商分词器等。为了更好的满足用户的业务需求，OpenSearch可以让用户在系统提供的基础分词器的基础上，通过结合干预词条的形式创建自定义分词器。在应用的索引字段的分词器中选择使用相应的分词器，以达到干预索引和查询时分词结果，确保搜索结果的质量。

干预词条

目前，系统支持两种类型的干预词条：语义实体和语义切分。

语义实体干预词条

这类干预词条主要用于一些系统尚未识别的实体词，干预后，该词的切分总是能保持一致，不受其所在的上下文影响。

• 词条格式：

    实体词1  
    实体词2  

• 示例：

    分词器
    开放搜索  

  干预后，“分词器”和“开放搜索”不管出现什么样的上下文中，都会被当做独立的语义实体，系统对它们还会进一步切分，例如：“分词器”可能会保留原词，而“开放搜索”可能会被进一步切分成“开放“和“搜索”两个更细粒度的词。

语义切分干预词条

这种类型的干预词条用于指定在特定上下文中的短语的切分方式，而不影响该短语在其他上下文中的切分方式。

• 词条格式：

    短语 => 短 语

• 示例：

    语义切分干预词条 => 语义 切分 干预词条

  干预后，当语句中完整的出现短语“语义切分干预词条”时，系统首先会按照词条对其切分成“语义”、“切分”和“干预词条”三个子短语，然后对子短语分别进行更细粒度的切分。这样可以确保在查询“语义”或者“切分”和“干预词条”等子短语时能召回改文档。

注意事项

• 用户最多能同时保留8个自定义分词器；
• 单个自定义分词器最多能包含1000个干预词条；
• 每个词条中，key为不超过10个字符，value为不超过32个字符；1个字符为1个汉字或1个英文字母；
• 词条内容中不能包含大写字母(A-Z)，全角符号(\uff01 - \uff5e)，中文标点符号；

• 语义切分干预词条中，key和value在去掉空格后，内容需相同；示例如下：

    不正确的词条 => 错误 的 词条
    正确的词条 => 正确 的 词条

  第1个词条中，key和value去掉空格后，内容不一致，因此是不符合规范的词条。

• key中不能包含有空格；示例如下：

    不正确 词条 => 不 正确 词条
    正确词条 => 正确 词条

  第1个词条，key中包含了空格(“ “)，因此是不符合规范的词条。

• key的内容不能为同一个干预词典中其他词条value中的一部分；示例如下：

    自定义分词器 => 自定义 分词器
    分词器
    分词

  第2个词条的key的内容“分词器”，是第1个词条value中的一部分，因此第2个词条是不符合规范的。但第3条词条是符合规范的

流程演示

流程简述

创建自定义分词器——修改应用结构(分词方式更改为自定义分词器)——索引重建生效自定义分词器效果

具体流程如下：

1.在应用列表左侧，找到“高级配置”，选择“自定义分词器”，点击“创建分词器”进行规则添加：

2.创建分词器，按截图中的格式，自定义分词器的名称（示例中创建为了”test”），以及配置需要干预的文档内容以及需要拆分的term（可以配置多条），点击“创建”：

3.创建好名称为“test”的自定义分词器后，等待分词器生效：

4.分词器生效后，可以进行分词测试，测试分词器生效后干预词条的结果：

• 4-1. 对某一个自定义分词器进行分词测试：
• 4-2. 对自定义分词器列表中的全部或部分进行分词测试：

5.分词器生效后，点击应用管理，修改应用结构：

6.在索引字段配置分词方式时，需要指定自定义分词器，索引重建后才会生效该分词器：

自定义分词器效果展示示例：

以“乒乓球拍卖多少”的文档内容为例，当使用“中文——通用分词时”搜索时出现badcase, 与预期不符，如图：按上述流程添加“test”自定义分词器，并修改应用结构，索引重建后，拆分的term与干预后一致，如图：

注意事项：

1. 自定义分词器不能修改，因此,如果在已经使用test分词器后又发现了搜索的badcase，那么此时需要新建分词器。
2. 自定义分词器有上限，所以如果有应用中不使用的分词器，建议删除。应用中正在使用的分词器是不能删除的。