Elasticsearch同义词、停用词过滤器异常及查询结果不符问题求助

一、单向同义词无匹配结果的原因 #

你配置的单向同义词International Cricket Council => ICC, I.C.C，在索引阶段会把原文本中的"International Cricket Council"替换成"ICC"和"I.C.C"（再经过小写过滤器处理为"icc"和"i.c.c"），原短语的三个分词（international、cricket、council）不会被保留在倒排索引中。

而当你执行包含"international""Cricket""Council"的多条件match查询时，查询文本会被分析器处理为这三个词的小写形式，但倒排索引里根本没有这些词，自然无法匹配到任何结果。

反之，match_phrase查询"icc"时，查询文本被处理为"icc"，和倒排索引中存储的token完全匹配，所以能得到预期结果。

二、双向同义词的高亮与计数问题原因 #

1. 不必要的高亮 #

双向同义词映射International Cricket Council, ICC, I.C.C => International Cricket Council, ICC, I.C.C会让索引阶段和查询阶段都将所有相关词/短语互相转换：

• 索引时，原文本"International Cricket Council"会被转换成三个条目：原短语的分词（international、cricket、council）、"icc"、"i.c.c"，全部存入倒排索引。
• 查询时，比如你查"icc"，查询文本会被转换成"international cricket council"、"icc"、"i.c.c"三个查询条件。这时候，哪怕文档里只有原短语，也会被匹配到，高亮时就会把原短语标出来——但你实际只想高亮"icc"相关内容，所以会觉得是不必要的高亮。

2. 大数据量下计数不符 #

这种双向等价映射会导致查询范围被无意义扩大：当你查询"International Cricket Council"时，查询文本会被转换成三个查询条件，只要文档里包含其中任意一个（比如只含"icc"的文档），都会被纳入结果集。这就导致实际匹配的文档数远多于你期望的「仅包含原短语」的文档数，出现计数不符的情况。

另外，如果使用的是普通synonym过滤器而非synonym_graph，多词短语的同义词处理会更混乱——普通过滤器无法正确识别短语同义词，会把多词拆成单个token，进一步导致倒排索引中出现冗余条目，放大计数误差。

内容的提问来源于stack exchange，提问作者randomDev