Solr电商搜索中将阿拉伯数字识别为罗马数字的适配方案咨询

罗马数字转阿拉伯数字的同义词方案合理性判断 #

这个方案有一定可行性，但不属于最优解，存在明显局限性：

• 覆盖场景单一：仅能解决阿拉伯数字和罗马数字的匹配问题，无法覆盖a7m3、索尼阿尔法a73等同型号的其他口语化表述变体
• 易出现误匹配：同义词规则粒度控制不当的话，会把其他带数字3的无关商品也关联到罗马数字III的结果，拉低召回准确率
• 维护成本高：罗马数字存在IV、IX、XL等特殊简写规则，需要一一对应维护，型号越多维护成本越高

最优落地解决方案 #

建议采用字符规范化+业务同义词扩展+多字段加权匹配的组合方案，具体实现步骤如下：

1. 统一索引、查询阶段的字符规范化处理
   不要用同义词规则做数字转换，而是在Solr的字段分析链中加正则替换过滤器，统一把所有罗马数字转换为阿拉伯数字，保证索引侧和查询侧的转换逻辑完全一致，对应配置示例：

<!-- 在商品标题字段的fieldType分析链中添加以下规则，索引、查询阶段都要加 -->
<filter class="solr.PatternReplaceFilterFactory" pattern="\bIII\b" replacement="3" replace="all" />
<filter class="solr.PatternReplaceFilterFactory" pattern="\bII\b" replacement="2" replace="all" />
<filter class="solr.PatternReplaceFilterFactory" pattern="\bIV\b" replacement="4" replace="all" />
<filter class="solr.PatternReplaceFilterFactory" pattern="\bIX\b" replacement="9" replace="all" />

处理后商品名里的III会被转为3，用户查询的3也保持为3，直接就能精准匹配，匹配效率和准确率都远高于同义词方案。

2. 补充业务同义词库
   针对3C数码等型号变体多的品类，维护专属同义词表，覆盖用户常用的口语化表述，比如：

alpha,阿尔法,α,a
a73,a7 3,a7iii,a7m3
sony,索尼

同义词规则同样需要在索引、查询阶段同时生效，覆盖更多用户输入场景。

3. 新增自定义搜索词字段兜底
   单独给商品新增search_tags字段，权重设置高于普通描述字段，由运营手动补充对应商品的用户常用搜索词，针对非常见的偏门搜索叫法做兜底覆盖。

4. 长尾场景适配
   如果品类型号变体极多，可以给型号字段配置edge ngram分词，控制分词长度在2-8个字符之间，保证用户输入连续字符就能命中对应商品，覆盖长尾搜索需求。

内容的提问来源于stack exchange，提问作者Krunal