村上春树经典语录人生三大境界 正能量励志短句村上春树

你现在阅读的是一篇关于村上春树经典语录人生三大境界的文章，里面有丰富多彩的内容，还有给你准备正能量励志短句村上春树和村上春树经典语录人生三大境界的精彩内容哦。

村上春树经典语录人生三大境界 正能量励志短句村上春树

庄子言：

“人生天地之间，若白驹过隙，忽然而已。”

其实人的一生很短暂，不过恍惚之间就过去了。如果我们老是执着于过去，自己也会过得不舒坦。

这世界上有太多过得不快乐的人，这些人之所以活得不快乐，也是因为学不会放开。

人呀，最重要的还是过得快乐才是最重要的，一辈子很短，别为难了自己。

就像森鸥外《泡沫记》说到:

“人生苦短，感到欢乐的弹指之间，若不开怀大笑，日后岂不后悔？”

如果真的有释怀不了的时候，不如让自己静下来去读读村上春树的这几句话，或许你情绪会稳定很多。

不管全世界所有人怎么说，我都认为自己的感受才是正确的。无论别人怎么看，我绝不打乱自己的节奏。喜欢的事自然可以坚持，不喜欢怎么也长久不了。 ?

确实呀，每个人喜欢的东西都不一样，不必去按照别人所谓的标准去追求自我。

这世间，贫富贵贱万象百态，对于那些不能随着人的意志而转移的事情，那就坦然地面对，你要做的，就是做好你自己。

只有在做自己，去追求自己喜欢的事物都道路上，我们才会坚持越走越远。不喜欢的事物，不管怎么逼自己也做不长久的。

所以无论何时何地，都要遵从自己的内心，我们是为自己而活的，不用在意外界的看法。

人生本来就是有无数的岔路口，在没有经历过的时候，谁也无法判断哪些选择一定是到达终点的最优路径。

相信大多数人都会经历过迷茫期，或者有的人也正经历着迷茫期。这都是很正常，有谁的青春不迷茫呢？

人生说短，其实这条路也很长，长到我们走着走着不知道如何走下去。很多人对自己的人生没有规划，找不到目标，所以迷茫也是言之有理的。

不管怎样，要知道即使迷茫也要继续往前走，有些路没走过根本不知道自己想不想走这条路，走的路正不正确。

听过这么这段话:

“过往的30年，似乎没什么变化，但当时认为很普通的选择，最后突然串起来，一个个不确定性组成了确定性的结果。”

一生走得路很多，但是一路走下来都会留下你都痕迹，最终这些痕迹也慢慢朝着你所要的方向去走。

一个人走的路多了，走得远了，才能把所有的不确定变成确定，从而走出一条属于自己的康庄大道。

不必太纠结于当下，也不必太忧虑未来，当你经历过一些事情的时候，眼前的风景已经和从前不一样了。

很多人都会有这样的心理，就是老是习惯性地去担心未来，总给自己的未来设定了很多不好的场景。

但是现实中，这些你所设想的画面或许永远也不会发生，只是你自己杞人忧天。

别想太多，有些事情该发生的时候总会发生，你无法预料更无法掌控。能做的就是用一颗强大的心去面对人生的种种。

或许根本不会发生，而自己却每天都活在担忧中，这样恐惧地活着是不会快乐的。

《被讨厌的勇气》这本书中有一句话：“过多的自我意识，会束缚自己。”

说的就是这个道理。

要学会调节好自己的心态，别害怕未知的人生，人生的路没有想象中的那么容易，但是也没有想象中的那么可怕。

人活在当下就好，只有活在当下你才能够拥有自由的人生。

往期作品

运动，是改变自己最好的方式（建议收藏）

为什么要坚持运动？这是最好的回答

保持自己最好的状态：运动

免费英语句子分析器（Elasticsearch）

文本分析是将非结构化文本（例如电子邮件的正文或产品说明）转换为针对搜索优化的结构化格式的过程。

何时配置文本分析

当索引或搜索text字段时，Elasticsearch执行文本分析。

如果索引不包含text字段，则无需进一步设置；您可以跳过本节中的页面。

但是，如果您使用text字段或文本搜索未返回预期的结果，则配置文本分析通常会有所帮助。如果您正在使用Elasticsearch执行以下操作，则还应该研究分析配置：

• 建立一个搜索引擎
• 矿山非结构化数据
• 优化搜索特定语言
• 进行词典或语言研究

文字分析概述

文本分析使Elasticsearch能够执行全文搜索，其中搜索返回所有相关结果，而不仅仅是精确匹配。

如果要搜索Quick fox jumps，则可能需要包含的文档，A quick brown fox jumps over the lazy dog也可能需要包含诸如fast fox或的相关单词的文档foxes leap。

代币化

通过令牌化，分析使全文搜索成为可能：将文本分解为较小的块，称为令牌。在大多数情况下，这些标记是单个单词。

如果您将该词组索引the quick brown fox jumps为单个字符串，并且用户搜索quick fox，则不会将其视为匹配项。但是，如果您对词组进行标记并分别索引每个词，则可以单独查询查询字符串中的词。这意味着他们可以通过搜索进行匹配quick fox，fox brown或其他变化。

正常化

令牌化可以根据单个条件进行匹配，但是每个令牌仍在字面上进行匹配。这意味着：

• 即使您可能希望一个字词与另一个字词Quick匹配quick，也 不会进行 搜索
• 尽管fox和foxes共享相同的词根，但搜索foxes 将不匹配fox，反之亦然。
• 搜索jumps将不匹配leaps。尽管它们不共享根词，但它们是同义词，并且具有相似的含义。

为了解决这些问题，文本分析可以将这些标记标准化为标准格式。这样，您就可以匹配与搜索字词不完全相同但足够相似且仍然相关的令牌。例如：

• Quick可以小写：quick。
• foxes可以词干或简化为词根：fox。
• jump并且leap是同义词，可以将其索引为一个单词：jump。

为确保搜索词按预期与这些单词匹配，您可以将相同的标记化和规范化规则应用于查询字符串。例如，Foxes leap可以将搜索标准化为搜索fox jump。

自定义文本分析

文本分析由分析器执行，它是控制整个过程的一组规则。

Elasticsearch包含一个默认的分析器，称为 标准分析器，它在开箱即用的情况下适用于大多数用例。

如果要定制搜索体验，则可以选择其他 内置分析仪，甚至可以 配置自定义分析仪。定制分析器使您可以控制分析过程的每个步骤，包括：

• 标记化之前对文本的更改
• 文本如何转换为令牌
• 在索引或搜索之前对令牌进行规范化更改

分析仪的解剖

的分析?-无论是内置或自定义-只要是包含三个低级别的积木包：字符过滤器，断词和记号过滤。

内置的分析器将这些构件预先打包到适合于不同语言和文本类型的分析器中。Elasticsearch还公开了各个构建基块，以便可以将它们组合以定义新的custom分析器。

字符过滤器

甲字符过滤器接收原始文本字符的流，并且可以通过添加，移除，或改变字符变换流。例如，可以使用字符过滤器将印度－阿拉伯数字（????????）转换为其等效的阿拉伯－拉丁语（0123456789），或<b>从流中剥离HTML元素。

分析器可能具有零个或多个 按顺序应用的字符过滤器。

分词器

甲标记生成器接收字符流，其分成单个令牌（通常单个单词），并且输出流的令牌。例如，whitespace令牌生成器在看到任何空格时都会将文本分成令牌。它将把文本 "Quick brown fox!"转换成术语[Quick, brown, fox!]。

分词器还负责记录每个术语的顺序或位置以及该术语表示的原始单词的开始和结束字符偏移量。

分析器必须恰好 具有一个标记器。

令牌过滤器

甲令牌滤波器接收到令牌流，并且可以添加，删除或改变令牌。例如，lowercase令牌过滤器将所有令牌转换为小写字母， stop令牌过滤器从令牌流中删除常见词（停用词）the，然后 synonym令牌过滤器将同义词引入令牌流。

令牌过滤器不允许更改每个令牌的位置或字符偏移量。

分析器可能具有零个或多个 按顺序应用的令牌过滤器。

索引和搜索分析

文本分析发生两次：

索引时间

索引文档后，text将分析所有字段值。

搜索时间

在字段上进行全文搜索时text，将分析查询字符串（用户正在搜索的文本）。

搜索时间也称为查询时间。

每次使用的分析器或一组分析规则分别称为索引分析器或搜索分析器。

索引和搜索分析器如何协同工作

在大多数情况下，应在索引和搜索时使用同一台分析仪。这样可以确保将字段的值和查询字符串更改为相同形式的标记。反过来，这可以确保令牌在搜索过程中符合预期。

例

在text字段中使用以下值索引文档：

在敏捷的棕色狐狸跳过了狗！

字段的索引分析器将值转换为令牌并对其进行规范化。在这种情况下，每个标记都代表一个词：

[快速，棕色，狐狸，跳跃，跳过，狗]

这些索引然后被索引。

稍后，用户在同一text字段中搜索：

“狐狸”

用户期望此搜索与之前索引的句子匹配 The QUICK brown foxes jumped over the dog!。

但是，查询字符串不包含文档原始文本中使用的确切单词：

• quick 与 QUICK
• fox 与 foxes

为了解决这个问题，使用相同的分析器分析查询字符串。该分析器产生以下令牌：

[快，狐狸]

为了执行搜索，Elasticsearch将这些查询字符串标记与text字段中索引的标记进行比较。

代币	请求参数	text 领域
quick	X	X
brown		X
fox	X	X
jump		X
over		X
dog		X

因为字段值和查询字符串的分析方法相同，所以它们创建了相似的标记。标记quick和fox是完全匹配。这意味着搜索与"The QUICK brown foxes jumped over the dog!"用户期望的匹配包含的文档。

何时使用其他搜索分析器

尽管不那么常见，但有时在索引和搜索时使用不同的分析器是有意义的。为此，Elasticsearch允许您 指定一个单独的搜索分析器。

通常，仅当对字段值使用相同形式的标记时，才应指定单独的搜索分析器，并且查询字符串会创建意外或不相关的搜索匹配项。

例

Elasticsearch用于创建仅与以提供的前缀开头的单词匹配的搜索引擎。例如，搜索tr应返回tram或 trope-但从不返回taxi或bat。

文档被添加到搜索引擎的索引中；该文档在一个text字段中包含一个这样的词：

“apple”

字段的索引分析器将值转换为令牌并对其进行规范化。在这种情况下，每个标记都表示该词的潜在前缀：

[ a ，ap ，app ，appl ，apple ]

这些索引然后被索引。

稍后，用户在同一text字段中搜索：

“ appli”

用户希望此搜索仅匹配以开头的单词appli，例如appliance或application。搜索不匹配apple。

但是，如果使用索引分析器来分析此查询字符串，它将产生以下标记：

[ a ，ap ，app ，appl ，appli ]

当Elasticsearch将这些查询字符串标记与为索引的标记进行比较时apple，它会找到多个匹配项。

代币	appli	apple
a	X	X
ap	X	X
app	X	X
appl	X	X
appli		X

这意味着搜索将错误地匹配apple。不仅如此，它还可以匹配以开头的任何单词a。

要解决此问题，您可以为该text字段上使用的查询字符串指定其他搜索分析器。

在这种情况下，您可以指定一个搜索分析器，该分析器生成一个令牌而不是一组前缀：

[应用]

此查询字符串标记将仅与以开头的单词的标记匹配 appli，从而更好地符合用户的搜索期望。

词干

词干是将单词还原为词根形式的过程。这样可以确保在搜索过程中单词匹配的变体。

例如，walking和walked可以被词干为同一个词根： walk。词干一旦词干出现，就会在搜索中匹配另一个词。

词干依赖于语言，但通常涉及从单词中删除前缀和后缀。

在某些情况下，词干的词根形式可能不是真实词。例如，jumping和jumpiness都可以作为jumpi。虽然jumpi 不是真正的英语单词，但搜索无关紧要。如果将单词的所有变体都简化为相同的词根形式，则它们将正确匹配。

词干令牌过滤器编辑

在Elasticsearch中，词干由词干令牌过滤器处理。这些令牌过滤器可以根据其词干的方式进行分类：

• 算法词干分析器，它基于一组规则来 词干
• 字典词干，通过在字典中查找来 词干

由于词干会更改令牌，因此我们建议在索引和搜索分析期间使用相同的词干令牌过滤器。

算法词干编辑

算法词干对每个单词应用一系列规则，以将其简化为词根形式。例如，英语的算法词干可以从复数单词的末尾删除-s 和-es后缀。

算法词干有一些优点：

• 他们需要很少的设置，并且通常开箱即用。
• 他们使用很少的内存。
• 它们通常比字典词干分析器快。

但是，大多数算法词干仅会更改单词的现有文本。这意味着它们可能不适用于不包含其词根形式的不规则单词，例如：

• be，are和am
• mouse 和 mice
• foot 和 feet

以下令牌过滤器使用算法词干：

• stemmer，它提供了几种语言的算法词干，其中一些带有其他变体。
• kstem，是英语的词干分析器，它将算法词干与内置词典结合在一起。
• porter_stem，是我们推荐的英语算法提取器。
• snowball，它对几种语言使用 基于Snowball的词干规则。

字典词干编辑

字典词干查找提供的字典中的词，用字典中的词干词替换未阻止的词变体。

从理论上讲，字典词干非常适合：

• 阻止不规则单词
• 辨别拼写相似但概念上不相关的单词，例如：organ 和 organizationbroker 和 broken

在实践中，算法词干分析器通常优于字典词干分析器。这是因为字典词干提取器具有以下缺点：

• 词典质量词典词干分析器仅与其词典一样好。为了运作良好，这些词典必须包含大量单词，并定期更新并随语言趋势而变化。通常，当提供字典时，它是不完整的，并且其某些条目已经过时了。
• 大小和性能词典词干必须将其词典中的所有单词，前缀和后缀加载到内存中。这会占用大量RAM。低质量词典在删除前缀和后缀时也可能效率较低，这会大大减慢词干的处理速度。

您可以使用hunspell令牌过滤器执行字典词干。

如果可用，我们建议您在使用hunspell令牌过滤器之前尝试针对您的语言的算法词干分析器。

控制词干编辑

有时，词干可以产生共享的根词，这些词的拼写相似但在概念上不相关。例如，词干提取器可以将skies和 都减少skiing为相同的词根：ski。

为了防止这种情况并更好地控制词干，可以使用以下令牌过滤器：

• stemmer_override，可让您定义用于阻止特定令牌的规则。
• keyword_marker，将指定的标记标记为关键字。关键字令牌不会被后续的词干令牌过滤器阻止。
• conditional，可用于将标记标记为关键字，类似于keyword_marker过滤器。

对于内置语言分析器，您还可以使用 stem_exclusion参数来指定不会被词干限制的单词列表。

令牌图

当令牌生成器将文本转换为令牌流时，它还会记录以下内容：

• 的position流中的每个标记的
• 的positionLength，位置是令牌的跨距数

使用这些，您可以为流创建一个有 向无环图，称为令牌图。在令牌图中，每个位置代表一个节点。每个标记都表示指向下一个位置的边或弧。

同义词编辑

一些令牌过滤器可以将新的令牌（例如同义词）添加到现有令牌流中。这些同义词通常与现有标记的位置相同。

在下图中，quick其同义词fast都具有的位置 0。它们跨越相同的位置。

多位置代币编辑

一些令牌过滤器可以添加跨多个位置的令牌。这些可以包括用于多词同义词的令牌，例如使用“ atm”作为“自动柜员机”的同义词。

但是，只有某些令牌过滤器（称为图形令牌过滤器）positionLength才能准确记录多位置令牌。此过滤器包括：

• synonym_graph
• word_delimiter_graph

在下面的图形domain name system及其同义词中dns，两者的位置均为0。然而，dns有一个positionLength的3。图中的其他标记的默认positionLength值为1。

使用令牌图进行搜索编辑

索引将忽略该positionLength属性，并且不支持包含多位置标记的标记图。

但是，查询（例如match或 match_phrase查询）可以使用这些图从单个查询字符串生成多个子查询。

例

无效的令牌图编辑

以下令牌过滤器可以添加跨多个位置但仅记录默认值positionLength的令牌1：

• synonym
• word_delimiter

这意味着这些过滤器将为包含此类令牌的流生成无效的令牌图。

在下图中，dns是的多位置同义词domain name system。但是，dns默认positionLength值为1，导致图形无效。

避免使用无效的令牌图进行搜索。无效的图形可能会导致意外的搜索结果。

相思之苦的经典句子（真的想你）

好想附在你的耳畔，轻声告诉你，我好想你，一别成殇，对你的惦记从未放下。

好想，踏一缕清风，轻轻走进你的世界里，看看你的样子，听听你的声音，向你诉说我一往而深的痴迷。

一份爱，还似从前一般深挚，却只能以一种寂寞的方式静默无语。

自你离去，我掩藏了所有痴心的话语，无声无息的爱着你。

那些说不出的爱恋，都压抑在心底，你不来，爱就是一辈子静默无声的秘密。

想你，念你，圈地为牢恋你，执迷不悟念你，我爱你

时光一日一日，一年一年，在悄无声息中流逝。

逝水流年，漂浅了太多记忆，却未曾让我放下你，一遇倾心，一生爱你，一朝别离，一世想你。

你离开后，我为自己筑起一座心牢，将你的记忆长锁在我的心牢里，别人走不进来，我也不舍得将你忘记。

为你执迷不悟，是我自己愿意，哪怕相思再苦，我也甘之若饴。

有幸遇见你，深深爱着你，无论你在哪里，你都是我心中最特别的存在，今生缘分断了，还有相思情牵。

亲爱的，我爱你！这一句我爱你，今生今世，我只说给你。

曲终人散，人去念依然

听过世间最无奈的话语：

蝴蝶为花碎，花却随风飞，花舞花落泪，花落为谁悲。

蝶恋花，为花醉，为花舞，奈何，花却随风飞，为风痴，为风悲。

世间情缘又何尝不是如此，深爱之人未必能够相守，情深至极未必可以相依。

感慨，今生情深缘浅，无缘与最深爱的你相依相伴，那缘曲终人散，对你的深情却留在心间，一念情深，一生沉沦。

为你，我倾尽了世间最真的爱，为你，我流过了今生最无奈的眼泪。

明明知道，若是缘分散了，思念还在，眉间心上的思念会苦了自己，可偏偏想你总是心不由己，爱你总是情难自抑。

我真的爱你，断了情缘，断不开思念，曲终人散，人去念依然。

真的想你，寄一封信给你，心中满满都是我的思念

想你，念你，却不能去看看你，因为我怕，怕我的冒昧会带给你困扰。

爱你，恋你，却不能打电话给你，因为我怕，怕我会压抑不住内心涌动的相思。

相思的话语不能说，对你的爱恋放不下，情深痴痴，痴念深深，只能深深地压抑在自己心底，藏成心底最深的秘密。

我的秘密就是想你，一个人孤单地想，寂寞的念，在风中想，在月下念，春来的时候想，秋尽的时候念……。

想你，想你，想你，想你，我以为我能忘记你，却要用整整一个余生去想你。

想你，想你，想你，想你，我以为我能不想你，却发现，“晓看天色暮看云，行也是你，坐也是你”。

用心爱过的人，就算无缘夫妻，也会在心里铭记一辈子；走进心中的爱，就算不能再相见，也会在梦中续写爱的永远。

亲爱的，我真的想你，真的真的好想你，寄一封信给最爱的你，信中满满都是我对你的相思。

想你，念你，就算今生不能朝朝暮暮，你也是我永恒的相思。

免费英语句子分析器（ElasticSearch原理知识点和整体结构详解）

ElasticSearch整体结构

通过上文，在通过图解了解了ES整体的原理后，我们梳理下ES的整体结构

• 一个 ES Index 在集群模式下，有多个 Node （节点）组成。每个节点就是 ES 的Instance (实例)。
• 每个节点上会有多个 shard （分片）， P1 P2 是主分片, R1 R2 是副本分片
• 每个分片上对应着就是一个 Lucene Index（底层索引文件）
• Lucene Index 是一个统称由多个 Segment （段文件，就是倒排索引）组成。每个段文件存储着就是 Doc 文档。commit point记录了所有 segments 的信息

补充:Lucene索引结构

上图中Lucene的索引结构中有哪些文件呢？

更多文件类型可参考

文件的关系如下：

补充:Lucene处理流程

上文图解过程，还需要理解Lucene处理流程, 这将帮助你更好的索引文档和搜索文档。

创建索引的过程：

• 准备待索引的原文档，数据来源可能是文件、数据库或网络
• 对文档的内容进行分词组件处理，形成一系列的Term
• 索引组件对文档和Term处理，形成字典和倒排表

搜索索引的过程：

• 对查询语句进行分词处理，形成一系列Term
• 根据倒排索引表查找出包含Term的文档，并进行合并形成符合结果的文档集
• 比对查询语句与各个文档相关性得分，并按照得分高低返回

补充:ElasticSearch分析器

上图中很重要的一项是语法分析/语言处理, 所以我们还需要补充ElasticSearch分析器知识点。

分析 包含下面的过程：

• 首先，将一块文本分成适合于倒排索引的独立的 词条 ，
• 之后，将这些词条统一化为标准格式以提高它们的“可搜索性”，或者 recall

分析器执行上面的工作。 分析器 实际上是将三个功能封装到了一个包里：

• 字符过滤器 首先，字符串按顺序通过每个 字符过滤器 。他们的任务是在分词前整理字符串。一个字符过滤器可以用来去掉HTML，或者将 & 转化成 and。
• 分词器 其次，字符串被 分词器 分为单个的词条。一个简单的分词器遇到空格和标点的时候，可能会将文本拆分成词条。
• Token 过滤器 最后，词条按顺序通过每个 token 过滤器 。这个过程可能会改变词条（例如，小写化 Quick ），删除词条（例如， 像 a， and， the 等无用词），或者增加词条（例如，像 jump 和 leap 这种同义词）。

Elasticsearch提供了开箱即用的字符过滤器、分词器和token 过滤器。 这些可以组合起来形成自定义的分析器以用于不同的目的。

内置分析器

Elasticsearch还附带了可以直接使用的预包装的分析器。接下来我们会列出最重要的分析器。为了证明它们的差异，我们看看每个分析器会从下面的字符串得到哪些词条：

"Set the shape to semi-transparent by calling set_trans(5)"

• 标准分析器

标准分析器是Elasticsearch默认使用的分析器。它是分析各种语言文本最常用的选择。它根据 Unicode 联盟 定义的 单词边界 划分文本。删除绝大部分标点。最后，将词条小写。它会产生

set, the, shape, to, semi, transparent, by, calling, set_trans, 5

• 简单分析器

简单分析器在任何不是字母的地方分隔文本，将词条小写。它会产生

set, the, shape, to, semi, transparent, by, calling, set, trans

• 空格分析器

空格分析器在空格的地方划分文本。它会产生

Set, the, shape, to, semi-transparent, by, calling, set_trans(5)

• 语言分析器

特定语言分析器可用于 很多语言。它们可以考虑指定语言的特点。例如， 英语 分析器附带了一组英语无用词（常用单词，例如 and 或者 the ，它们对相关性没有多少影响），它们会被删除。 由于理解英语语法的规则，这个分词器可以提取英语单词的 词干 。

英语 分词器会产生下面的词条：

set, shape, semi, transpar, call, set_tran, 5

注意看 transparent、 calling 和 set_trans 已经变为词根格式。

什么时候使用分析器

当我们 索引 一个文档，它的全文域被分析成词条以用来创建倒排索引。 但是，当我们在全文域 搜索 的时候，我们需要将查询字符串通过 相同的分析过程 ，以保证我们搜索的词条格式与索引中的词条格式一致。

全文查询，理解每个域是如何定义的，因此它们可以做正确的事：

• 当你查询一个 全文 同时， 会对查询字符串应用相同的分析器，以产生正确的搜索词条列表。
• 当你查询一个 精确值 域时，不会分析查询字符串，而是搜索你指定的精确值。

举个例子

ES中每天一条数据， 按照如下方式查询：

GET /_search?q=2023 # 12 resultsGET /_search?q=2023-09-15 # 12 results !GET /_search?q=date:2023-09-15 # 1 resultGET /_search?q=date:2023 # 0 results !

为什么返回那样的结果？

• date 域包含一个精确值：单独的词条 2023-09-15。
• _all 域是一个全文域，所以分词进程将日期转化为三个词条： 2023， 09， 和 15。

当我们在 _all 域查询 2023，它匹配所有的12条推文，因为它们都含有 2023 ：

GET /_search?q=2023 # 12 results

当我们在 _all 域查询 2023-09-15，它首先分析查询字符串，产生匹配 2023， 09， 或 15 中 任意 词条的查询。这也会匹配所有12条推文，因为它们都含有 2023 ：

GET /_search?q=2023-09-15 # 12 results !

当我们在 date 域查询 2023-09-15，它寻找 精确 日期，只找到一个推文：

GET /_search?q=date:2023-09-15 # 1 result

当我们在 date 域查询 2023，它找不到任何文档，因为没有文档含有这个精确日志：

GET /_search?q=date:2023 # 0 results !

免费英语句子分析器（电商搜索系统精讲系列三步曲2）

编辑导读：在电商软件中搜索一款产品，页面中会出现很多相关产品的展示。这些页面是如何展示呢？为什么会这样展示？本文作者以电商产品为例，对其页面排序系统进行分析，希望对你有帮助。

01 排序的场景模型

上篇文章我们针对一个电商搜索系统的业务以及召回分析器和模型的分析，比如当用户在淘宝APP搜索框中输入搜索关键词“2023年新款花式促销女士连衣裙”，搜索系统会通过分析器和各种模型来理解用户的搜索意图，进而达到召回商品的目的（这块的原型将在“电商搜索系统精讲系列三步曲”的下篇会push给大家）；

那么思考一个问题，用户搜索“2023年新款花式促销女士连衣裙”之后，页面怎么展示，为什么会这么展示？依据是什么，如下图？

这个就是我们今天要去讲的内容，往下看：

在分析这块的内容之前，同样，我依然举现实生活中的场景模型：

某公司产品总监A需要招聘具有丰富教育中台行业经验的产品经理，在BOSS直聘的岗位描述JD（Job Description）增加了要具备教育中台行业的经验的招聘要求，于是有以下求职者去面试：

• 应聘者B：有教育行业经验，但无中台产品建设经验；
• 应聘者C：有教育行业经验，但工作年限比较短，不够丰富；
• 应聘者D：有中台产品建设经验，但无教育行业经验；
• 应聘者E：有丰富的教育中台行业经验，但是之前做的是解决方案，并非产品经理岗；

那么现在，假设你作为该公司的产品总监，你该怎么选？先不要看下面，先思考；

答案其实也很简单，你一定是挑选一个适合该岗位要求的吧，那么什么才叫适合，评判的依据是什么？你作为产品总监究竟怎么对这四个求职者进行评估？

现在有些大公司采购了线上招聘系统，人力资源HR和产品总监把对这四位求职者的面试结论以文字的方式直接录入到这个招聘系统，系统就会给出一个建议分，这个建议分值提供给产品总监和HR人员进行决策评估和参考，当然没有这个线上招聘系统也没关系，最土的办法就是下面这种，用手填写面试评估表，用手打分，只不过这种方式的打分更多带有主观色彩。

所以最后的结论就是对每个求职者进行打分，然后通过打分来对B、C、D、E四名求职者进行排序，排序第一、第二、第三及第四，最后择优录用；

好，上面说的是招聘的工作，想一想，我们每年高考录取是不是也是这种方式来进行择优录取，同样的场景模型，我们尝试搬迁到线上，应用在召回商品的排序上，接着看：

那么问题来了，同样的场景模型搬迁到线上，就会涉及到对召回的商品打分怎么打的问题，这个是核心，人类有大脑可以用于主观判断，但电脑没有眼睛没有感官系统，没法等同于人类那样去思考，所以我们需要做的就是给他输入一系列的打分规则，电脑就能打分，就能对召回的商品进行排序，从而实现我们的目标，接下来我们看排序的策略；

02 排序策略

大家回想之前浙江卫视的中国好声音节目，那些在电视荧幕上看到的唱歌选手也一定是提前开始海选，然后逐层选拔通过才会参加电视上的唱歌比赛吧，如果没有海选这个环节呢，每个人只要报名都可以直接在电视上唱那么一曲，那岂不是要把浙江卫视那些工作人员累死，所以选手是通过海选，逐层比赛，一关一关的通过，最后挑选出表现优秀的前100名参与电视上的唱歌比赛；

我们采用同样的套路，召回的商品（因为这个量级也是非常巨大的）先海选，再去精选，业内很多人称海选为粗选，所以召回的商品先要进行粗选，通过粗选把可能满足用户意图并且是相对优质的商品（比如有一万个）全部筛选出来，再去优化（一万个召回的商品精选排序）这个选择的结果，最后把选出来的前1000（只是假设）个商品进行排序展示给用户；

搜索引擎本身对于检索性能要求比较高，所以需要采用上面说的两个阶段排序过程：粗排和精排。粗排就是上面说的海选，从检索结果中快速找到优质的商品，取出TOP N个结果再按照精排进行打分，最终返回最优的结果给用户。所以一般在搜索系统中，粗排对性能影响比较大，精排对最终排序效果影响比较大，因此，粗排要求尽量简单有效，只提取数据库表中的关键因子（字段）即可，关键的问题在于打分怎么打，下面将给大家介绍常见的打分策略：

我们首先引入一个新的概念—-表达式计算法

所谓表达式计算法：通俗的讲，就是通过不同的计算公式来运算每个被召回的产品和用户意图的相关度，这个相关度某种意义上讲就是打的分数，业内普遍称这个过程为相关算分，一般常见的计算公式比如基本运算（算术运算、关系运算、逻辑运算、位运算、条件运算）、数学函数和排序特征（feature）等。

基本运算：

数学函数：

以上两个函数比较简单，高等数学里面都有的内容，这里不再细说，下面来看下上面提到的粗排常用的几个函数（以下为天猫搜索为例）：

关键词相似文本分Text similarity函数：用于计算用户输入的关键词文本与召回的商品相关度，值越大，则相关度越高；

召回商品距离现在的时间GoodsTime函数：用于计算召回的商品距离现在的时间，一般取值为（0，1）之间，一般值越大，表商品距离现在时间越近，越容易被展示在用户的界面；

类目预测函数CategoryPredic：用于计算用户输入的关键词与商品类目的相关度，关于类目预测这里需要仔细说明下：

所谓类目预测，指的是通过计算机的算法去预测搜索的关键词与商品

类目的相关程度，我们举个例子，当用户在淘宝APP搜索框中输入关键词“苹果”，则类目预测会计算商品所属类目与输入的苹果这个关键词的相关度，类目与关键词的相关度越高，商品就获得了越高的排序得分，也就是上文说到的相关算分值就越高，从而这个商品就会排在越前面，借助下面这两张图，就更好理解了：

第一张图：搜索的关键字是“苹果”，既有手机类的商品也有食物类的商品，左图就是典型的没有使用类目预测模型来打分，所以把食物类的苹果也召回并且优先排序在前面，右图是使用后类目预测模型后的打分排序效果；

所以我们在做产品原型设计的时候也要考虑搜索的关键词与商品类目的相关程度，需要在原型的设计里面增加类目预测的模型的设计；

再来回过头看，我前面讲的，排序首选要进行海选也就是粗排，再针对粗排后的商品结果进行精排，粗排已经讲了，精排怎么排？

同样是要通过函数去计算搜索的关键词与商品的相关度，常见的函数有：

文本相关度函数：

• text_relevance: 关键词在字段上的商品匹配度
• field_match_ratio：获取某字段上与查询词匹配的分词词组个数与该字段总词组个数的比值
• query_match_ratio：获取查询词中（在某个字段上）命中词组个数与总词组个数的比值
• fieldterm_proximity: 用来表示关键词分词词组在字段上的紧密程度
• field_length：获取某个字段上的分词词组个数
• query_term_count: 返回查询词分词后词组个数
• query_term_match_count：获取查询词中（在某个字段上）命中文档的词组个数
• field_term_match_count：获取文档中某个字段与查询词匹配的词组个数
• query_min_slide_window：查询词在某个字段上命中的分词词组个数与该词组在字段上最小窗口的比值

地理位置相关性：

• distance: 获取两个点之间的球面距离。一般用于LBS的距离计算。
• gauss_decay，使用高斯函数，根据数值和给定的起始点之间的距离，计算其衰减程度
• linear_decay，使用线性函数，根据数值和给定的起始点之间的距离，计算其衰减程度
• exp_decay，使用指数函数，根据数值和给定的起始点之间的距离，计算其衰减程度

时效性：

• timeliness: 时效分，用于衡量商品的新旧程度，单位为秒
• timeliness_ms: 时效分，用于衡量商品的新旧程度，单位为毫秒

算法相关性：

• category_score：类目预测函数，返回参数中指定的类目字段与类目预测query的类目匹配分
• popularity：人气分，用于衡量物品的受欢迎程度

功能性：

• tag_match: 用于对查询语句和商品做标签匹配，使用匹配结果对商品进行算分加权
• first_phase_score：获取粗排表达式最终计算分值
• kvpairs_value: 获取查询串中kvpairs子句中指定字段的值
• normalize：归一化函数，根据不同的算分将数值归一化至[0, 1]
• in/notin : 判断字段值是否（不）在指定列表中

以上函数大家不用去研究细节，看看函数的中文解释就好，帮助理解和消化，知道精排的算分怎么统计、哪些维度去统计即可，如果依然不理解的，可以跟我一起交流；

说到现在大家一定很好奇，为什么用户最关心的商品热度没有提到，不着急不着急，接下来，我们就要针对搜索热度比较高的商品一般怎么排序，引入一个新的概念—–人气模型；

上面说的类目预测模型是要实时去计算，而人气模型可以在离线的时候进行计算，一般也叫离线计算模型，这种模型也是淘宝和天猫搜索最基础的排序算法模型。

人气模型会计算量化出每个商品的静态质量以及受欢迎的程度的值，这个值称之为商品人气分，最开始人气模型是来自淘宝的搜索业务，但其实这个模型对于其他的搜索场景也有很强的通用性，在非商品搜索场景中通过人气模型也可以计算出被索引的商品的受欢迎程度，比如某个论坛，可以通过人气模型排序搜索比较多的帖子，把这些帖子内容优先展示给用户；

那么对于一个商品而言，这个人气模型究竟怎么计算，毕竟系统的目标是通过这个模型来计算商品的热度，进而打分排序，你说对吧；

一般情况下，人气模型从四个维度去计算分值，具体如下：

第一个维度：实体维度；

比如：商品、品牌、商家、类目等。

第二个维度：时间维度；

比如：1天、3天、7天、14天、30天等。

第三个维度：行为维度；

第四个维度：统计维度；

每个特征从以上4个维度中各取一到两个进行组合，再从历史数据中统计该组合特征最终的特征值：

比如：

• 商品（实体）最近1天（时间）的曝光（行为）量（统计指标）；
• 商品所在店铺（实体）最近30天（时间）的销量（行为类型+统计维度）等等。

由以上方法产生的结果数量级，等同于去计算4个维度的笛卡尔积，再对笛卡尔积的算分高低进行排序；

好了，说到现在关于召回的商品排序所采用的算法目前我所了解的就这么多，当然能力有限，有些搜索的细节依然需要进一步去摸索；

03 召回与排序总结

我们来对上一篇文章和今天讲的内容简单的做个总结，当用户在淘宝APP搜索框中输入“2023年新款花式促销女士连衣裙”时，搜索引擎系统首先要去理解用户的意图，理解的方式就是上篇文章提到的分析器，通过对语义的理解、命名实体识别、拼写纠错、停止词模型等手段去理解用户的意图，进而通过这个意图计算机去到后台数据库中检索符合意图的所有商品，当商品被检索出来之后，搜索引擎系统首先要通过各类函数和模型对商品进行粗排，再对粗排的结果进行精排，精排的依据就是上面的函数和模型，当然还有类目预测模型和人气模型，这个就是大概的流程；

依然没有结束，首先来看下面这张图：

想一想，上面左图中的热搜底纹和热搜列表是怎么来的、右图中的下拉提示又是这么出现的？这个就是原计划需要在今天跟大家讲的引导排序内容；

04 预告

题图来自Pexels，基于CC0协议

以上内容是关于村上春树经典语录人生三大境界和正能量励志短句村上春树的内容，小编幸苦为你编辑整理，喜欢的请点赞收藏把。

标签：正能量励志短句村上春树、