为什么我使用 MinHash 分析器的查询无法检索重复项？

Question

我正在尝试使用其MinHash 实现查询 Elasticsearch 索引以查找近重复项。 我使用在容器中运行的 Python 客户端来索引和执行搜索。

我的语料库是一个有点像这样的 JSONL 文件：

{"id":1, "text":"I'd just like to interject for a moment"}
{"id":2, "text":"I come up here for perception and clarity"}
...

我成功创建了一个 Elasticsearch 索引，尝试使用自定义设置和分析器，从官方示例和MinHash 文档中汲取灵感：

def create_index(client):
    client.indices.create(
        index="documents",
        body={
            "settings": {
                "analysis": {
                    "filter": {
                        "my_shingle_filter": {      
                        "type": "shingle",
                        "min_shingle_size": 5,
                        "max_shingle_size": 5,
                        "output_unigrams": False
                        },
                        "my_minhash_filter": {
                        "type": "min_hash",
                        "hash_count": 10,          
                        "bucket_count": 512,      
                        "hash_set_size": 1,       
                        "with_rotation": True     
                        }
                    },
                    "analyzer": {
                        "my_analyzer": {
                        "tokenizer": "standard",
                        "filter": [
                            "my_shingle_filter",
                            "my_minhash_filter"
                        ]
                        }
                    }
                }
            },
            "mappings": {
                "properties": {
                    "name": {"type": "text", "analyzer": "my_analyzer"}
                }
            },
        },
        ignore=400,
    )

我通过 Kibana 验证索引创建没有大问题，还通过访问http://localhost:9200/documents/_settings我得到了一些看起来有序的东西：

但是，查询索引：

def get_duplicate_documents(body, K, es):
    doc = {
        '_source': ['_id', 'body'],
        'size': K,
        'query': {
            "match": {
                "body": {
                    "query": body,
                    "analyzer" : "my_analyzer"
                }
            }
        }
    }

    res = es.search(index='documents', body=doc)
    top_matches = [hit['_source']['_id'] for hit in res['hits']['hits']]

我的res['hits']一直是空的，即使我将我的body设置为与我的语料库中的一个条目的文本完全匹配。 换句话说，如果我尝试作为body的值，我不会得到任何结果，例如

"I come up here for perception and clarity"

或类似的子串

"I come up here for perception"

虽然理想情况下，我希望程序返回近似重复项，其分数是通过 MinHash 获得的查询和近似重复项的 Jaccard 相似度的近似值。

我的查询和/或索引 Elasticsearch 的方式有问题吗？ 我完全错过了其他东西吗？

PS：你可以看看https://github.com/davidefiocco/dockerized-elasticsearch-duplicate-finder/tree/ea0974363b945bf5f85d52a781463fba76f4f987一个非功能性的，但希望可重现的例子（我也会更新回购协议，因为我找到了解决方案！）

Answer 1

以下是您应该仔细检查的一些事项，因为它们很可能是罪魁祸首：

• 当您创建映射时，您应该在body参数内的client.indices.create方法中从“name”更改为“text”，因为您的 json 文档有一个名为text的字段：

   "mappings": { "properties": { "text": {"type": "text", "analyzer": "my_analyzer"} }

• 在索引阶段，您还可以按照文档修改您的generate_actions()方法，例如：

   for elem in corpus: yield { "_op_type": "index" "_index": "documents", "_id": elem["id"], "_source": elem["text"] }

  顺便说一下，如果你正在索引pandas数据帧，你可能需要检查实验官方库eland 。

• 此外，根据您的映射，您正在使用minhash令牌过滤器，因此 Lucene 将在 hash 中的text字段内转换您的文本。因此您可以使用 hash 查询此字段，而不是像您在示例中所做的那样使用字符串"I come up here for perception and clarity" 。 所以最好的使用方法是检索字段text的内容，然后在 Elasticsearch 中查询检索到的相同值。 然后_id元字段不在_source元字段内，因此您应该更改get_duplicate_documents()方法：

   def get_duplicate_documents(body, K, es): doc = { '_source': ['text'], 'size': K, 'query': { "match": { "text": { # I changed this line: "query". body } } } } res = es,search(index='documents', body=doc) # also changed the list comprehension! top_matches = [(hit['_id'], hit['_source']) for hit in res['hits']['hits']]