瑞典菜谱网站复合词搜索处理方案咨询（优先OpenSearch）

方案1：自定义词典驱动的Decompounder（零额外成本，优先推荐） #

OpenSearch的decompounder过滤器本身支持自定义词典，无需依赖官方预训练的瑞典语版本。你可以：

• 整理瑞典语菜谱领域的高频复合词词根词典（比如从现有菜谱数据中提取svamp、risotto、kött、pasta等核心食材/菜品词）
• 配置decompounder过滤器时指定自定义词典，设置only_longest_match: false让它拆分出所有可能的词根
• 示例配置：

{
  "analysis": {
    "filter": {
      "swedish_decompounder": {
        "type": "decompounder",
        "word_list_path": "analysis/swedish_food_root_words.txt",
        "only_longest_match": false,
        "preserve_original": true
      }
    },
    "analyzer": {
      "swedish_food_analyzer": {
        "tokenizer": "standard",
        "filter": [
          "lowercase",
          "swedish_decompounder",
          "swedish_stop"
        ]
      }
    }
  }
}

• 优势：完全适配现有OpenSearch部署，成本极低，仅需整理领域词典；拆分精准，贴合菜谱场景
• 注意：词典可以逐步迭代，先从现有菜谱标题/食材中提取高频词根，后续根据搜索日志补充

方案2：集成瑞典语预训练分词模型（预算内可实现） #

如果自定义词典覆盖不足，可集成专门处理日耳曼语系复合词的预训练模型：

• 选用轻量型瑞典语分词模型（比如Hugging Face上的KB/bert-base-swedish-cased或专门的分词模型），部署到低成本云实例（比如AWS t3.micro，月费约10美元），通过OpenSearch的ingest pipeline调用模型做分词拆分
• 或者使用OpenSearch的ML Commons插件，直接导入托管的瑞典语分词模型（部分模型免费，付费模型月费远低于200美元）
• 处理逻辑：在文档索引阶段，让模型将复合词拆分为词根，并存入单独字段（比如ingredients_split），搜索时同时匹配原字段和拆分字段
• 优势：无需手动维护词典，模型能处理未预见的复合词
• 成本：云实例+模型托管费用合计每月不超过50美元，远低于预算

方案3：N-Gram+停用词优化（快速兜底方案） #

如果以上方案暂时无法落地，可先用N-Gram做快速适配：

• 配置OpenSearch的ngram过滤器，设置min_gram: 3，max_gram: 10，配合瑞典语停用词过滤器
• 示例配置：

{
  "analysis": {
    "filter": {
      "swedish_ngram": {
        "type": "ngram",
        "min_gram": 3,
        "max_gram": 10
      }
    },
    "analyzer": {
      "swedish_ngram_analyzer": {
        "tokenizer": "standard",
        "filter": [
          "lowercase",
          "swedish_stop",
          "swedish_ngram"
        ]
      }
    }
  }
}

• 优势：实现简单，无需额外资源；能匹配复合词中的任意子串
• 劣势：可能引入无关结果，需后续结合搜索结果排序优化（比如BM25权重调整）

额外优化建议 #

• 搜索时同时启用模糊匹配（fuzziness: AUTO），覆盖用户拼写错误的情况
• 针对菜谱场景，可将食材、菜品名称单独提取为结构化字段，拆分后单独索引，提升搜索精准度
• 定期分析搜索日志，补充自定义词典或调整模型参数，逐步优化拆分效果

内容的提问来源于stack exchange，提问作者Henrik Schinzel