模糊性

模糊匹配 对待 “模糊” 相似的两个词似乎是同一个词。(((“typoes and misspellings”, “fuzziness, defining”)))首先，我们需要对我们所说的 模糊性 (((“fuzziness”)))进行定义。

在1965年，Vladimir Levenshtein 开发出了 [Levenshtein distance]（http://en.wikipedia.org/wiki/Levenshtein_distance），用来度量从一个单词转换到另一个单词需要多少次单字符编辑。他提出了三种类型的单字符编辑：

• 一个字符 替换 另一个字符： _f_ox -> _b_ox

• 插入 一个新的字符：sic -> sick

• 删除 一个字符：b_l_ack -> back

Frederick Damerau后来在这些操作基础上做了一个扩展：

• 相邻两个字符的 换位 ： _st_ar -> _ts_ar

举个例子，将单词 bieber 转换成 beaver 需要下面几个步骤：

1. 把 b 替换成 v ：bie_b_er -> bie_v_er
2. 把 i 替换成 a ：bi_ever -> b_a ever
3. 把 e 和 a 进行换位：b_ae_ver -> b_ea_ver

这三个步骤表示 Damerau-Levenshtein edit distance 编辑距离为 3 。

显然，从 beaver 转换成 bieber 是一个很长的过程—他们相距甚远而不能视为一个简单的拼写错误。 Damerau 发现 80% 的拼写错误编辑距离为 1 。换句话说， 80% 的拼写错误可以对原始字符串用 单次编辑 进行修正。

Elasticsearch 指定了 fuzziness 参数支持对最大编辑距离的配置，默认为 ２ 。

当然，单次编辑对字符串的影响取决于字符串的长度。对单词 hat 两次编辑能够产生 mad ， 所以对一个只有 3 个字符长度的字符串允许两次编辑显然太多了。 fuzziness 参数可以被设置为 AUTO ，这将导致以下的最大编辑距离：

• 字符串只有 1 到 2 个字符时是 0
• 字符串有 3 、 4 或者 5 个字符时是 1
• 字符串大于 5 个字符时是 2

当然，你可能会发现编辑距离 2 仍然是太多了，返回的结果似乎并不相关。 把最大 fuzziness 设置为 1 ，你可以得到更好的结果和更好的性能。