官網地址：https://www.elastic.co/guide/en/elasticsearch/reference/2.3/query-dsl-mlt-query.html

基于內容的推薦通常是給定一篇文檔信息，然后給用戶推薦與該文檔相識的文檔。Lucene的api中有實現查詢文章相似度的接口，叫MoreLikeThis。Elasticsearch封裝了該接口，通過Elasticsearch的More like this查詢接口，我們可以非常方便的實現基于內容的推薦。

先看一個查詢請求的json例子：

GET /mychat/mytype/_search
{
?? "query":{? ?
??????? "more_like_this":{? ?
??????????? "fields" : ["ask", "answer"],? ?
??????????? "like_text" : "中國" ,
??????????? "min_term_freq" : 1,
??????????? "max_query_terms" : 12
??????? }? ?
??? } ?
}

其中：

fields是要匹配的字段，如果不填的話默認是_all字段

like_text是匹配的文本。

除此之外還可以添加下面條件來調節結果

percent_terms_to_match：匹配項（term）的百分比，默認是0.3

min_term_freq：一篇文檔中一個詞語至少出現次數，小于這個值的詞將被忽略，默認是2

max_query_terms：一條查詢語句中允許最多查詢詞語的個數，默認是25

stop_words：設置停止詞，匹配時會忽略停止詞

min_doc_freq：一個詞語最少在多少篇文檔中出現，小于這個值的詞會將被忽略，默認是無限制

max_doc_freq：一個詞語最多在多少篇文檔中出現，大于這個值的詞會將被忽略，默認是無限制

min_word_len：最小的詞語長度，默認是0

max_word_len：最多的詞語長度，默認無限制

boost_terms：設置詞語權重，默認是1

boost：設置查詢權重，默認是1

analyzer：設置使用的分詞器，默認是使用該字段指定的分詞器

下面介紹下如何用Java?api調用，一共有三種調用方式，不過本質上都是一樣的，只不過是做了一些不同程度的封裝。

[java]?view plaincopy

MoreLikeThisRequestBuilder?mlt?=?new?MoreLikeThisRequestBuilder(client,?"indexName",?"indexType",?"id");??

mlt.setField("title");//匹配的字段??

SearchResponse?response?=?client.moreLikeThis(mlt.request()).actionGet();??

這種是在查詢與某個id的文檔相似的文檔。這個接口是直接在client那調用的，比較特殊。還有兩種就是構造Query進行查詢

[java]?view plaincopy

MoreLikeThisQueryBuilder?query?=?QueryBuilders.moreLikeThisQuery();??

query.boost(1.0f).likeText("xxx").minTermFreq(10);??

這里的boost、likeText方法完全和上面的參數對應的。下面這種就是把要匹配的字段作為參數傳進來，參數和MoreLikeThisQueryBuilder是一樣的。

[java]?view plaincopy

MoreLikeThisFieldQueryBuilder?query?=?QueryBuilders.moreLikeThisFieldQuery("fieldNmae");?

最后給一個創建索引的DSL語句：

{"settings": {"number_of_shards": 2,"number_of_replicas": 1},"mappings": {"chat_str": {"date_detection": false,"dynamic_templates": [{"es_string": {"match": "*","match_mapping_type": "string","mapping": {"type": "string","index": "analyzed","analyzer": "ik_max_word"}}}],"properties": {"title": {"type": "string","index": "analyzed","analyzer": "ik_max_word"},"content": {"type": "string","index": "analyzed","analyzer": "ik_max_word"}}}} }

總結

以上是生活随笔為你收集整理的elasticsearch使用more_like_this实现基于内容的推荐的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。