elasticsearch使用more_like_this实现基于内容的推荐

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

基于内容的推荐通常是给定一篇文档信息，然后给用户推荐与该文档相识的文档。Lucene的api中有实现查询文章相似度的接口，叫MoreLikeThis。Elasticsearch封装了该接口，通过Elasticsearch的More like this查询接口，我们可以非常方便的实现基于内容的推荐。

先看一个查询请求的json例子：

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

其中：

fields是要匹配的字段，如果不填的话默认是_all字段

like_text是匹配的文本。

除此之外还可以添加下面条件来调节结果

percent_terms_to_match：匹配项（term）的百分比，默认是0.3

min_term_freq：一篇文档中一个词语至少出现次数，小于这个值的词将被忽略，默认是2

max_query_terms：一条查询语句中允许最多查询词语的个数，默认是25

stop_words：设置停止词，匹配时会忽略停止词

min_doc_freq：一个词语最少在多少篇文档中出现，小于这个值的词会将被忽略，默认是无限制

max_doc_freq：一个词语最多在多少篇文档中出现，大于这个值的词会将被忽略，默认是无限制

min_word_len：最小的词语长度，默认是0

max_word_len：最多的词语长度，默认无限制

boost_terms：设置词语权重，默认是1

boost：设置查询权重，默认是1

analyzer：设置使用的分词器，默认是使用该字段指定的分词器

下面介绍下如何用Java api调用，一共有三种调用方式，不过本质上都是一样的，只不过是做了一些不同程度的封装。

[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();

这种是在查询与某个id的文档相似的文档。这个接口是直接在client那调用的，比较特殊。还有两种就是构造Query进行查询

[java] view plaincopy

MoreLikeThisQueryBuilder query = QueryBuilders.moreLikeThisQuery();
query.boost(1.0f).likeText("xxx").minTermFreq(10);

这里的boost、likeText方法完全和上面的参数对应的。下面这种就是把要匹配的字段作为参数传进来，参数和MoreLikeThisQueryBuilder是一样的。

[java] view plaincopy

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

最后给一个创建索引的DSL语句：


{"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"}}}}
}

elasticsearch使用more_like_this实现基于内容的推荐相关推荐

一文全面了解基于内容的推荐算法
作者丨gongyouliu 来源 | 转载自大数据与人工智能(ID:ai-big-data) 这篇文章我们主要关注的是基于内容的推荐算法,它也是非常通用的一类推荐算法,在工业界有大量的应用案例. 本文 ...
Recommender Systems基于内容的推荐
基于内容的推荐的基本推荐思路是:用户喜欢幻想小说,这本书是幻想小说,则用户有可能喜欢这本小说两方面要求:(1)知道用户的喜好:(2)知道物品的属性基于内容的推荐相比协同过滤方法(个人观点):协同过 ...
1分钟了解基于内容的推荐，pm又懂了
转载自 1分钟了解基于内容的推荐,pm又懂了什么是基于内容的推荐(Content-based Recommendation)? 答:通过用户历史感兴趣的信息,抽象信息内容共性,根据内容共性推荐其他信 ...
吴恩达机器学习系列23：基于内容的推荐算法
如今,推荐算法已经深入到我们生活的各个方面,比如说淘宝根据我们之前的浏览记录给我们推荐想要购买的商品:抖音不停地给我们推荐各种我们感兴趣的视频(虽然我个人不太喜欢抖音,觉得抖音会让我们丧失独立思考的能 ...
《推荐系统笔记（十六）》tf-idf与基于内容的推荐（简单的酒店推荐）
基于内容的推荐,仅仅依赖于物品的信息,对于系统冷启动和物品冷启动,可以有效解决.拿到物品的信息之后,对物品信息进行处理,生成特征向量,然后就可以定义物品相似度,对物品进行推荐. 通常,基于内容的推荐遵 ...
新闻推荐系统：基于内容的推荐算法（Recommender System：Content-based Recommendation）
2018/10/04更新这篇文章似乎被越来越多的小伙伴看到了,所以觉得有必要做一些进一步的详细说明. 首先按照本文所讲解的推荐思路进行新闻推荐的推荐系统,我已经实现并已经放在Github上了.欢迎小 ...
新闻推荐系统：基于内容的推荐算法——ＴＦＩＤＦ、衰减机制（github java代码）
转自: 因为开发了一个新闻推荐系统的模块,在推荐算法这一块涉及到了基于内容的推荐算法(Content-Based Recommendation),于是借此机会,基于自己看了网上各种资料后对该分类方法的 ...
推荐算法(2)：基于内容的推荐
推荐算法(1):协同过滤总结推荐算法(2):基于内容的推荐推荐算法(3):利用用户标签数据推荐算法(4)利用上下文信息推荐算法(5)利用社交网络数据推荐算法(6) 实例推荐算法(7)缺失的 ...
推荐系统_基于内容的推荐
关于推荐系统的算法大概可以分类两类: 一类就是基于用户或者基于商品的协同过滤,我们主要是通过用户行为这个海量数据来挖掘出用户在品味上的一些相似程度,或者说商品的相似程度,然后我们在利用相似性来进行推 ...

elasticsearch使用more_like_this实现基于内容的推荐

elasticsearch使用more_like_this实现基于内容的推荐相关推荐

最新文章

热门文章