問題背景
搜索關(guān)鍵字智能提示是一個(gè)搜索應(yīng)用的標(biāo)配，主要作用是避免用戶輸入錯(cuò)誤的搜索詞，并將用戶引導(dǎo)到相應(yīng)的關(guān)鍵詞上，以提升用戶搜索體驗(yàn)。
美團(tuán)CRM系統(tǒng)中存在數(shù)以百萬計(jì)的商家，為了讓用戶快速查找到目標(biāo)商家，我們基于solrcloud實(shí)現(xiàn)了商家搜索模塊。用戶在查找商家時(shí)主要輸入商戶名、商戶地址進(jìn)行搜索，為了提升用戶的搜索體驗(yàn)和輸入效率，本文實(shí)現(xiàn)了一種基于solr前綴匹配查詢關(guān)鍵字智能提示(Suggestion)實(shí)現(xiàn)。
需求分析
1.支持前綴匹配原則
在搜索框中輸入“海底”，搜索框下面會(huì)以海底為前綴，展示“海底撈”、“海底撈火鍋”、“海底世界”等等搜索詞；輸入“萬達(dá)”，會(huì)提示“萬達(dá)影城”、“萬達(dá)廣場(chǎng)”、“萬達(dá)百貨”等搜索詞。
2.同時(shí)支持漢字、拼音輸入
由于中文的特點(diǎn)，如果搜索自動(dòng)提示可以支持拼音的話會(huì)給用戶帶來更大的方便，免得切換輸入法。比如，輸入“haidi”提示的關(guān)鍵字和輸入“海底”提示的一樣，輸入“wanda”與輸入“萬達(dá)”提示的關(guān)鍵字一樣。
3.支持多音字輸入提示
比如輸入“chongqing”或者“zhongqing”都能提示出“重慶火鍋”、“重慶烤魚”、“重慶小天鵝”。
4.支持拼音縮寫輸入
對(duì)于較長(zhǎng)關(guān)鍵字，為了提高輸入效率，有必要提供拼音縮寫輸入。比如輸入“hd”應(yīng)該能提示出“haidi”相似的關(guān)鍵字，輸入“wd”也一樣能提示出“萬達(dá)”關(guān)鍵字。
基于用戶的歷史搜索行為，按照關(guān)鍵字熱度進(jìn)行排序
為了提供suggest關(guān)鍵字的準(zhǔn)確度，最終查詢結(jié)果，根據(jù)用戶查詢關(guān)鍵字的頻率進(jìn)行排序，如輸入[重慶,chongqing,cq,zhongqing,zq] —> [“重慶火鍋”(f1),“重慶烤魚”(f2),“重慶小天鵝”(f3)，…]，查詢頻率f1 > f2 > f3。
解決方案
1.關(guān)鍵字收集
當(dāng)用戶輸入一個(gè)前綴時(shí)，碰到提示的候選詞很多的時(shí)候，如何取舍，哪些展示在前面，哪些展示在后面？這就是一個(gè)搜索熱度的問題。用戶在使用搜索引擎查找商家時(shí)，會(huì)輸入大量的關(guān)鍵字，每一次輸入就是對(duì)關(guān)鍵字的一次投票，那么關(guān)鍵字被輸入的次數(shù)越多，它對(duì)應(yīng)的查詢就比較熱門，所以需要把查詢的關(guān)鍵字記錄下來，并且統(tǒng)計(jì)出每個(gè)關(guān)鍵字的頻率，方便提示結(jié)果按照頻率排序。搜索引擎會(huì)通過日志文件把用戶每次檢索使用的所有檢索串都記錄下來，每個(gè)查詢串的長(zhǎng)度為1-255字節(jié)。
2.漢字轉(zhuǎn)拼音
用戶輸入的關(guān)鍵字可能是漢字、數(shù)字，英文，拼音，特殊字符等等，由于需要實(shí)現(xiàn)拼音提示，我們需要把漢字轉(zhuǎn)換成拼音，java中考慮使用pinyin4j組件實(shí)現(xiàn)轉(zhuǎn)換。
3.拼音縮寫提取
考慮到需要支持拼音縮寫，漢字轉(zhuǎn)換拼音的過程中，順便提取出拼音縮寫，如“chongqing”,"zhongqing"--->"cq",”zq”。
4.多音字全排列
要支持多音字提示，對(duì)查詢串轉(zhuǎn)換成拼音后，需要實(shí)現(xiàn)一個(gè)全排列組合，字符串多音字全排列算法如下：
Java Code復(fù)制內(nèi)容到剪貼板
- public static List getPermutationSentence(List> termArrays,int start) {
-
- if (CollectionUtils.isEmpty(termArrays))
- return Collections.emptyList();
-
- int size = termArrays.size();
- if (start 0 || start >= size) {
- return Collections.emptyList();
- }
-
- if (start == size-1) {
- return termArrays.get(start);
- }
-
- ListString> strings = termArrays.get(start);
-
- ListString> permutationSentences = getPermutationSentence(termArrays, start + 1);
-
- if (CollectionUtils.isEmpty(strings)) {
- return permutationSentences;
- }
-
- if (CollectionUtils.isEmpty(permutationSentences)) {
- return strings;
- }
-
- ListString> result = new ArrayListString>();
- for (String pre : strings) {
- for (String suffix : permutationSentences) {
- result.add(pre+suffix);
- }
- }
-
- return result;
- }
索引與前綴查詢
方案一 Trie樹 + TopK算法
Trie樹即字典樹，又稱單詞查找樹或鍵樹，是一種樹形結(jié)構(gòu)，是一種哈希樹的變種。典型應(yīng)用是用于統(tǒng)計(jì)和排序大量的字符串（但不僅限于字符串），所以經(jīng)常被搜索引擎系統(tǒng)用于文本詞頻統(tǒng)計(jì)。它的優(yōu)點(diǎn)是：最大限度地減少無謂的字符串比較，查詢效率比哈希表高。Trie是一顆存儲(chǔ)多個(gè)字符串的樹。相鄰節(jié)點(diǎn)間的邊代表一個(gè)字符，這樣樹的每條分支代表一則子串，而樹的葉節(jié)點(diǎn)則代表完整的字符串。和普通樹不同的地方是，相同的字符串前綴共享同一條分支。例如，給出一組單詞inn, int, at, age, adv, ant, 我們可以得到下面的Trie：
從上圖可知，當(dāng)用戶輸入前綴i的時(shí)候，搜索框可能會(huì)展示以i為前綴的“in”，“inn”，”int"等關(guān)鍵詞，再當(dāng)用戶輸入前綴a的時(shí)候，搜索框里面可能會(huì)提示以a為前綴的“ate”等關(guān)鍵詞。如此，實(shí)現(xiàn)搜索引擎智能提示suggestion的第一個(gè)步驟便清晰了，即用trie樹存儲(chǔ)大量字符串，當(dāng)前綴固定時(shí)，存儲(chǔ)相對(duì)來說比較熱的后綴。
TopK算法用于解決統(tǒng)計(jì)熱詞的問題。解決TopK問題主要有兩種策略：hashMap統(tǒng)計(jì)+排序、堆排序
hashmap統(tǒng)計(jì): 先對(duì)這批海量數(shù)據(jù)預(yù)處理。具體方法是：維護(hù)一個(gè)Key為Query字串，Value為該Query出現(xiàn)次數(shù)的HashTable，即hash_map(Query，Value)，每次讀取一個(gè)Query，如果該字串不在Table中，那么加入該字串，并且將Value值設(shè)為1；如果該字串在Table中，那么將該字串的計(jì)數(shù)加一即可，最終在O(N)的時(shí)間復(fù)雜度內(nèi)用Hash表完成了統(tǒng)計(jì)。
堆排序：借助堆這個(gè)數(shù)據(jù)結(jié)構(gòu)，找出Top K，時(shí)間復(fù)雜度為N‘logK。即借助堆結(jié)構(gòu)，我們可以在log量級(jí)的時(shí)間內(nèi)查找和調(diào)整/移動(dòng)。因此，維護(hù)一個(gè)K(該題目中是10)大小的小根堆，然后遍歷300萬的Query，分別和根元素進(jìn)行對(duì)比。所以，我們最終的時(shí)間復(fù)雜度是：O（N） + N' * O（logK），（N為1000萬，N’為300萬）。
該方案存在的問題是：
建索引和查詢的時(shí)候都要把漢字轉(zhuǎn)換成拼音，查詢完成后還得把拼音轉(zhuǎn)換成漢字顯示，且需要考慮數(shù)字和特殊字符。
需要維護(hù)拼音、縮寫兩棵Trie樹。
方案二 Solr自帶Suggest智能提示
Solr作為一個(gè)應(yīng)用廣泛的搜索引擎系統(tǒng)，它內(nèi)置了智能提示功能，叫做Suggest模塊。該模塊可選擇基于提示詞文本做智能提示，還支持通過針對(duì)索引的某個(gè)字段建立索引詞庫做智能提示。 (詳見solr的wiki頁面http://wiki.apache.org/solr/Suggester)
該方案存在的問題是：
返回的結(jié)果是基于索引中字段的詞頻進(jìn)行排序，不是用戶搜索關(guān)鍵字的頻率，因此不能將一些熱門關(guān)鍵字排在前面。
拼音提示，多音字，縮寫還是要另外加索引字段。
方案三 Solrcloud建立單獨(dú)的collection,利用solr前綴查詢實(shí)現(xiàn)
如前所述，以上兩個(gè)方案在實(shí)施起來都存在一些問題，Trie樹+TopK算法，在處理漢字suggest時(shí)不是很優(yōu)雅，且需要維護(hù)兩棵Trie樹，實(shí)施起來比較復(fù)雜；Solr自帶的suggest智能提示組件存在問題是使用freq排序算法，返回的結(jié)果完全基于索引中字符的出現(xiàn)次數(shù)，沒有兼顧用戶搜索詞語的頻率，因此無法將一些熱門詞排在更靠前的位置。于是，我們繼續(xù)尋找一種解決這個(gè)問題更加優(yōu)雅的方案。
至此，我們考慮專門為關(guān)鍵字建立一個(gè)索引collection，利用solr前綴查詢實(shí)現(xiàn)。solr中的copyField能很好解決我們同時(shí)索引多個(gè)字段(漢字、pinyin, abbre)的需求，且field的multiValued屬性設(shè)置為true時(shí)能解決同一個(gè)關(guān)鍵字的多音字組合問題。配置如下：
schema.xml:
XML/HTML Code復(fù)制內(nèi)容到剪貼板
- field name="kw" type="string" indexed="true" stored="true" />
- field name="pinyin" type="string" indexed="true" stored="false" multiValued="true"/>
- field name="abbre" type="string" indexed="true" stored="false" multiValued="true"/>
- field name="kwfreq" type="int" indexed="true" stored="true" />
- field name="_version_" type="long" indexed="true" stored="true"/>
- field name="suggest" type="suggest_text" indexed="true" stored="false" multiValued="true" />
------------------multiValued表示字段是多值的-------------------------------------
XML/HTML Code復(fù)制內(nèi)容到剪貼板
- uniqueKey>kw/uniqueKey>
- defaultSearchField>suggest/defaultSearchField>
說明：
kw為原始關(guān)鍵字
pinyin和abbre的multiValued=true,在使用solrj建此索引時(shí)，定義成集合類型即可：如關(guān)鍵字“重慶”的pinyin字段為{chongqing,zhongqing}, abbre字段為{cq, zq}
kwfreq為用戶搜索關(guān)鍵的頻率，用于查詢的時(shí)候排序
-------------------------------------------------------
XML/HTML Code復(fù)制內(nèi)容到剪貼板
- copyField source="kw" dest="suggest" />
- copyField source="pinyin" dest="suggest" />
- copyField source="abbre" dest="suggest" />
------------------suggest_text----------------------------------
XML/HTML Code復(fù)制內(nèi)容到剪貼板
- fieldType name="suggest_text" class="solr.TextField" positionIncrementGap="100" autoGeneratePhraseQueries="true">
- analyzer type="index">
- tokenizer class="solr.KeywordTokenizerFactory" />
- filter class="solr.SynonymFilterFactory"
- synonyms="synonyms.txt"
- ignoreCase="true"
- expand="true" />
- filter class="solr.StopFilterFactory"
- ignoreCase="true"
- words="stopwords.txt"
- enablePositionIncrements="true" />
- filter class="solr.LowerCaseFilterFactory" />
- filter class="solr.KeywordMarkerFilterFactory" protected="protwords.txt" />
- /analyzer>
- analyzer type="query">
- tokenizer class="solr.KeywordTokenizerFactory" />
- filter class="solr.StopFilterFactory"
- ignoreCase="true"
- words="stopwords.txt"
- enablePositionIncrements="true" />
- filter class="solr.LowerCaseFilterFactory" />
- filter class="solr.KeywordMarkerFilterFactory" protected="protwords.txt" />
- /analyzer>
- /fieldType>
KeywordTokenizerFactory：這個(gè)分詞器不進(jìn)行任何分詞！整個(gè)字符流變?yōu)閱蝹€(gè)詞元。String域類型也有類似的效果，但是它不能配置文本分析的其它處理組件，比如大小寫轉(zhuǎn)換。任何用于排序和大部分Faceting功能的索引域，這個(gè)索引域只有能一個(gè)原始域值中的一個(gè)詞元。
前綴查詢構(gòu)造:
Java Code復(fù)制內(nèi)容到剪貼板
- private SolrQuery getSuggestQuery(String prefix, Integer limit) {
- SolrQuery solrQuery = new SolrQuery();
- StringBuilder sb = new StringBuilder();
- sb.append(“suggest:").append(prefix).append("*");
- solrQuery.setQuery(sb.toString());
- solrQuery.addField("kw");
- solrQuery.addField("kwfreq");
- solrQuery.addSort("kwfreq", SolrQuery.ORDER.desc);
- solrQuery.setStart(0);
- solrQuery.setRows(limit);
- return solrQuery;
- }
效果如下圖所示：
