Skip to content

Latest commit

 

History

History
118 lines (100 loc) · 4.46 KB

50_Controlling_stemming.asciidoc

File metadata and controls

118 lines (100 loc) · 4.46 KB
Raw

控制词干提取

开箱即用的词干提取方案永远也不可能完美。 尤其是算法提取器，他们可以愉快的将规则应用于任何他们遇到的词，包含那些你希望保持独立的词。 也许，在你的场景，保持独立的 skies 和 skiing 是重要的，你不希望把他们提取为 ski （正如 english 分析器那样）。

语汇单元过滤器 {ref}/analysis-keyword-marker-tokenfilter.html[keyword_marker] 和 {ref}/analysis-stemmer-override-tokenfilter.html[stemmer_override] 能让我们自定义词干提取过程。

阻止词干提取

语言分析器（查看 [configuring-language-analyzers]）的参数 stem_exclusion 允许我们指定一个词语列表，让他们不被词干提取。

在内部，这些语言分析器使用 {ref}/analysis-keyword-marker-tokenfilter.html[keyword_marker 语汇单元过滤器] 来标记这些词语列表为 keywords ，用来阻止后续的词干提取过滤器来触碰这些词语。

例如，我们创建一个简单自定义分析器，使用 {ref}/analysis-porterstem-tokenfilter.html[porter_stem]​ 语汇单元过滤器，同时阻止 skies 的词干提取：

PUT /my_index
{
  "settings": {
    "analysis": {
      "filter": {
        "no_stem": {
          "type": "keyword_marker",
          "keywords": [ "skies" ] (1)
        }
      },
      "analyzer": {
        "my_english": {
          "tokenizer": "standard",
          "filter": [
            "lowercase",
            "no_stem",
            "porter_stem"
          ]
        }
      }
    }
  }
}

  1. 参数 keywords 可以允许接收多个词语。

使用 analyze API 来测试，可以看到词 skies 没有被提取：

GET /my_index/_analyze?analyzer=my_english
sky skies skiing skis (1)

  1. 返回: sky, skies, ski, ski

Tip

虽然语言分析器只允许我们通过参数 stem_exclusion 指定一个词语列表来排除词干提取， 不过 keyword_marker 语汇单元过滤器同样还接收一个 keywords_path 参数允许我们将所有的关键字存在一个文件。 这个文件应该是每行一个字，并且存在于集群的每个节点。查看 [updating-stopwords] 了解更新这些文件的提示。

自定义提取

在上面的例子中，我们阻止了 skies 被词干提取，但是也许我们希望他能被提干为 sky 。 The {ref}/analysis-stemmer-override-tokenfilter.html[stemmer_override] 语汇单元过滤器允许我们指定自定义的提取规则。 与此同时，我们可以处理一些不规则的形式，如：mice 提取为 mouse 和 feet 到 foot ：

PUT /my_index
{
  "settings": {
    "analysis": {
      "filter": {
        "custom_stem": {
          "type": "stemmer_override",
          "rules": [ (1)
            "skies=>sky",
            "mice=>mouse",
            "feet=>foot"
          ]
        }
      },
      "analyzer": {
        "my_english": {
          "tokenizer": "standard",
          "filter": [
            "lowercase",
            "custom_stem", (2)
            "porter_stem"
          ]
        }
      }
    }
  }
}

GET /my_index/_analyze?analyzer=my_english
The mice came down from the skies and ran over my feet (3)

  1. 规则来自 original⇒stem 。

  2. stemmer_override 过滤器必须放置在词干提取器之前。

  3. 返回 the, mouse, came, down, from, the, sky, and, ran, over, my, foot 。

Tip
 正如 keyword_marker 语汇单元过滤器，规则可以被存放在一个文件中，通过参数 rules_path 来指定位置。