带有通配符的Elasticsearch minhash前缀查询？

Question

我有一个为一些文本生成的minhash字段（基于minhash算法），现在我的问题是，是否有可能以某种方式补充或添加带有通配符的前缀查询？因为问题是，散列字符串值基于带状疱疹/令牌的内容（文本）位置。因此，前几个字符（前缀）可能并不总是完全匹配相似的内容。是否可以在查询的前缀之前添加通配符，例如* 3AF8659GJ？

编辑：我想我不是在想这个问题。散列差异可以是散列字符串中的任何位置（基于文本差异的内容位置中的文本差异）。所以我认为“最好”的唯一方法就是编辑距离和一些阈值。

例如，将所有哈希值放入数组并按词法顺序排序（或者如何对Hex-strings进行排序？）然后只比较下一个k文档，直到达到编辑距离阈值，并将重复项放在一个单独的数组中..

Answer 1

由于性能原因，非常不鼓励使用后缀进行搜索，如official document中所述：

为了防止极慢的通配符查询，通配符术语不应该以通配符*或其中一个开头？

使用精心设计的分析仪仍然可以实现您的目标。想法是仅对minhash的结尾进行索引。你可以按照下面的描述实现它。

首先，使用以下分析器创建索引：

PUT minhash-index
{
  "settings": {
    "index": {
      "analysis": {
        "analyzer": {
          "suffix": {
            "type": "custom",
            "tokenizer": "keyword",
            "filter": [
              "lowercase",
              "reverse",
              "substring",
              "reverse"
            ]
          }
        },
        "filter": {
          "substring": {
            "type": "edgeNGram",
            "min_gram": 1,
            "max_gram": 10
          }
        }
      }
    }
  },
  "mappings": {
    "doc": {
      "properties": {
        "minhash": {
          "type": "text",
          "analyzer": "suffix",
          "search_analyzer": "standard"
        }
      }
    }
  }
}

suffix分析器的想法是，它会为你抛入索引的每个minhash索引长度为1到10的所有后缀（你可以决定索引更长的后缀）。

因此，例如，对于minhash C50FD711C2C43287351892A4D82F44B055F048C46D2C54197AC1D1E921F11E6699C4057C4B93907518E6DCA51A672D3D3E419160DAE276CB7716D11B94D8C3BB2E4A591329B7AF973D17A7F9336342FFAAFD4D，它将索引以下所有后缀：

• d
• 4d
• d4d
• fd4d
• afd4d
• aafd4d
• faffd4d
• ffaafd4d
• 2ffaafd4d
• 42ffaafd4d

然后，您可以使用以下查询轻松搜索并查找上述minhash：

POST minhash-index/_search
{
  "query": {
    "match": {
      "minhash": "42FFAAFD4D"
    }
  }
}