n-gramsをSolrと近似マッチングする方法は？

Question

私たちは映画とシリーズのデータ​​ベースを持っており、さまざまな信頼性のある情報源から得られたデータなので、エピソードのタイトルにファジーストリングマッチングをしたいと思っています。私たちはアプリケーションでSolrを使用していますが、デフォルトのマッチングメカニズムは単語レベルで動作します。短い文字列にはタイトルのようには機能しません。

私は過去にnグラム近似マッチングを使用していました。 Lucene（とSolr）が何かをサポートしていることをとても嬉しく思っています。残念ながら、私は正しく設定することができませんでした。

私はこのための特別なフィールドタイプを必要とすることを想定ので、私は私のschema.xmlに 次のフィールド型を追加しました：

<fieldType 
    name="trigrams" 
    stored="true" 
    class="solr.StrField"> 
<analyzer type="index"> 
    <tokenizer 
     class="solr.analysis.NGramTokenizerFactory" 
     minGramSize="3" 
     maxGramSize="5" 
     /> 
    <filter class="solr.LowerCaseFilterFactory"/> 
</analyzer> 
</fieldType> 

とするスキーマに適切なフィールドを変更：

<field name="title" type="trigrams" 
    indexed="true" stored="true" multiValued="false" /> 

しかし、これは期待どおりに機能しません。クエリ分析は と正しく見えますが、私は 何かがインデックス時に起きると信じさせる（つまり、タイトルは trigramフィールドの代わりにデフォルトの文字列フィールドのように索引付けされています）。

私がしようとしているクエリが

title:"guy walks into a psychiatrist office" 

（タイプミスでまたは2）

のようなもので、それは「ガイは、精神科医のオフィスに歩く」と一致する必要があります。

（私は、クエリが正しいかどうか、本当にわからない。）

また、私は実際にはもっと何かをできるようにしたいと思います。 文字列を小文字にして、すべての句読点と空白を削除して、 英語のストップワードを削除してから、文字列をトライグラムに変更します。ただし、 フィルタは文字列がトークン化された後にのみ適用されます。

ご回答いただきありがとうございます。

Answer 1

解決策は非常に簡単であることが判明しました：ANDがデフォルトの演算子として設定され、ngramのいずれかが一致しなかった場合、クエリ全体が失敗しました。したがって、スキーマ定義には、

<solrQueryParser defaultOperator="OR" /> 

を追加するだけで十分でした。

Answer 2

あなたの質問の最後に答えてください：solrにはngramフィルタもあります。だから、NGRAMトークナイザ（しかし、例えば「WhitespaceTokenizer」のようなもの）を使用するすべての事前のngramフィルタを適用し、これを追加しないでください。

<filter class="solr.NGramFilterFactory" minGramSize="2" maxGramSize="3" />