Clasifica los resultados de la búsqueda

Nota: Esta función está disponible en las ediciones Enterprise y Enterprise Plus de Spanner. Para obtener más información, consulta la descripción general de las ediciones de Spanner.

En esta página, se describe cómo clasificar los resultados de la búsqueda de texto completo para búsquedas de texto completo en Spanner.

Spanner admite el cálculo de una puntuación de actualidad, que proporciona un componente básico para crear funciones de clasificación sofisticadas. Estas puntuaciones calculan la relevancia de un resultado para una consulta, según la frecuencia del término de la consulta y otras opciones personalizables.

En el siguiente ejemplo, se muestra cómo realizar una búsqueda clasificada con la SCORE función:

GoogleSQL

SELECT AlbumId
FROM Albums
WHERE SEARCH(AlbumTitle_Tokens, "fifth symphony")
ORDER BY SCORE(AlbumTitle_Tokens, "fifth symphony") DESC

PostgreSQL

En este ejemplo, se usa spanner.search con spanner.score.

SELECT albumid
FROM albums
WHERE spanner.search(albumtitle_tokens, 'fifth symphony')
ORDER BY spanner.score(albumtitle_tokens, 'fifth symphony') DESC

Cómo puntuar términos de búsqueda con la función SCORE

La SCORE función calcula una puntuación para cada término de búsqueda y, luego, combina las puntuaciones. La puntuación por término se basa, aproximadamente, en la frecuencia del término y la frecuencia inversa del documento (TF/IDF). La puntuación es un componente del ordenamiento final de un registro. La consulta la combina con otros indicadores, como la actualidad que modula la puntuación de actualidad.

En la implementación actual, la parte IDF de TF/IDF solo está disponible cuando enhance_query=>true se usa. Calcula la frecuencia relativa de las palabras en función del corpus web completo que usa la Búsqueda de Google, en lugar de un índice de búsqueda específico. Si no está habilitada la mejora de rquery, la puntuación solo usa el componente de frecuencia del término (TF), es decir, el término IDF se establece en 1.

La función SCORE muestra valores que sirven como puntuaciones de relevancia que Spanner usa para establecer un orden de clasificación. No tienen un significado independiente. Cuanto más alta sea la puntuación, mejor coincidirá con la consulta.

Por lo general, los argumentos como query y enhance_query son los mismos en las funciones SEARCH y SCORE para garantizar la coherencia en la recuperación y la clasificación.

La forma recomendada de hacerlo es usar estos argumentos con parámetros de consulta en lugar de literales de cadena y especificar los mismos parámetros de consulta en las funciones SEARCH y SCORE.

Cómo puntuar varias columnas

Spanner usa la función SCORE para puntuar cada campo de forma individual. Luego, la consulta combina estas puntuaciones individuales. Una forma común de hacerlo es sumar las puntuaciones individuales y, luego, aumentarlas según las ponderaciones de campo proporcionadas por el usuario (que se proporcionan con parámetros de consulta en SQL).

Por ejemplo, la siguiente consulta combina el resultado de dos funciones SCORE:

GoogleSQL

SELECT AlbumId
FROM Albums
WHERE SEARCH(Title_Tokens, @p1) OR SEARCH(Studio_Tokens, @p2)
ORDER BY SCORE(Title_Tokens, @p1) * @titleweight + SCORE(Studio_Tokens, @p2) * @studioweight
LIMIT 25

PostgreSQL

En este ejemplo, se usan los parámetros de consulta $1 y $2, que están vinculados a "quinta sinfonía" y "blue note", respectivamente.

SELECT albumid
FROM albums
WHERE spanner.search(title_tokens, $1) OR spanner.search(studio_tokens, $2)
ORDER BY spanner.score(title_tokens, $1) * $titleweight
        + spanner.score(studio_tokens, $2) * $studioweight
LIMIT 25

En el siguiente ejemplo, se agregan dos parámetros de aumento:

• La actualidad (FreshnessBoost) aumenta la puntuación con (1 + @freshnessweight * GREATEST(0, 30 - DaysOld) / 30).
• La popularidad(PopularityBoost) aumenta la puntuación multiplicándola por el factor (1 + IF(HasGrammy, @grammyweight, 0).

Para mejorar la legibilidad, la consulta usa el operador WITH.

GoogleSQL

SELECT AlbumId
FROM Albums
WHERE SEARCH(Title_Tokens, @p1) OR SEARCH(Studio_Tokens, @p2)
ORDER BY WITH(
  TitleScore AS SCORE(Title_Tokens, @p1) * @titleweight,
  StudioScore AS SCORE(Studio_Tokens, @p2) * @studioweight,
  DaysOld AS (UNIX_MICROS(CURRENT_TIMESTAMP()) - ReleaseTimestamp) / 8.64e+10,
  FreshnessBoost AS (1 + @freshnessweight * GREATEST(0, 30 - DaysOld) / 30),
  PopularityBoost AS (1 + IF(HasGrammy, @grammyweight, 0)),
  (TitleScore + StudioScore) * FreshnessBoost * PopularityBoost)
LIMIT 25

PostgreSQL

En este ejemplo, se usan los parámetros de consulta $1, $2, $3, $4, $5 y $6, que están vinculados a los valores especificados para titlequery, studioquery, titleweight, studioweight, grammyweight y freshnessweight, respectivamente.

SELECT albumid
FROM
  (
    SELECT
      albumid,
      spanner.score(title_tokens, $1) * $3 AS titlescore,
      spanner.score(studio_tokens, $2) * $4 AS studioscore,
      (extract(epoch FROM current_timestamp) * 10e+6 - releasetimestamp) / 8.64e+10 AS daysold,
      (1 + CASE WHEN hasgrammy THEN $5 ELSE 0 END) AS popularityboost
    FROM albums
    WHERE spanner.search(title_tokens, $1) OR spanner.search(studio_tokens, $2)
  ) AS subquery
ORDER BY (subquery.TitleScore + subquery.studioscore)
  * (1 + $6 * greatest(0, 30 - subquery.daysold) / 30) * subquery.popularityboost
LIMIT 25

TOKENLIST_CONCAT también se puede usar en la búsqueda y la puntuación para simplificar las consultas cuando sea apropiado.

GoogleSQL

SELECT AlbumId
FROM Albums
WHERE SEARCH(TOKENLIST_CONCAT([Title_Tokens, Studio_Tokens]), @p)
ORDER BY SCORE(TOKENLIST_CONCAT([Title_Tokens, Studio_Tokens]), @p)
LIMIT 25

PostgreSQL

En este ejemplo, se usa spanner.tokenlist_concat. El parámetro de consulta $1 está vinculado a "blue note".

SELECT albumid
FROM albums
WHERE spanner.search(spanner.tokenlist_concat(ARRAY[title_tokens, studio_tokens]), $1)
ORDER BY spanner.score(spanner.tokenlist_concat(ARRAY[title_tokens, studio_tokens]), $1)
LIMIT 25

Cómo aumentar las coincidencias de orden de consulta

Spanner aplica un aumento multiplicativo al resultado de la función SCORE para los valores que contienen los términos de búsqueda en el mismo orden en que aparecen en la consulta. Existen dos versiones de este aumento: coincidencia parcial y coincidencia exacta. Se aplica un aumento de coincidencia parcial en los siguientes casos:

1. El TOKENLIST contiene todos los términos originales de la consulta.
2. Los tokens son adyacentes entre sí y están en el mismo orden en que aparecen en la consulta.

Existen ciertas reglas especiales para las conjunciones, las negaciones y las frases:

• Una consulta con una negación no puede recibir un aumento de coincidencia parcial.
• Una consulta con una conjunción recibe un aumento si parte de la conjunción aparece en las ubicaciones adecuadas.
• Una consulta con una frase recibe un aumento si la frase aparece en el TOKENLIST, y el término a la izquierda de la frase en la consulta aparece a la izquierda de la frase en el TOKENLIST, y lo mismo se aplica al término a la derecha de la frase.

Spanner aplica un aumento de coincidencia exacta cuando se cumplen todas las reglas anteriores y los tokens primero y último de la consulta son los tokens primero y último del documento.

Documento de ejemplo: Bridge Over Troubled Water

Consulta	Aumento aplicado
Bridge Troubled	sin aumento
Bridge Over - other water	sin aumento
Bridge (Over OR Troubled) Water	sin aumento
Bridge Over	aumento parcial
Bridge Over (Troubled OR Water)	aumento parcial
Bridge Over Troubled Water	aumento exacto
Bridge "Over Troubled" Water	aumento exacto
Bridge ("Over Troubled" OR missingterm) Water	aumento exacto

Versiones del marcador

El algoritmo del marcador se actualiza periódicamente. Cada versión incluye un conjunto de mejoras del algoritmo de puntuación. Para obtener una lista detallada de las diferencias entre las versiones, consulta Versiones del marcador.

Puedes establecer la versión predeterminada del marcador para tu base de datos o especificar una versión para una consulta específica.

Cómo establecer la versión predeterminada del marcador de la base de datos

Puedes establecer la versión predeterminada del algoritmo del marcador para tu base de datos. Esta opción determina qué versión del algoritmo de puntuación usa Spanner cuando se llama a la función SCORE sin una opción de puntuación version explícita.

GoogleSQL

Establece la opción de base de datos score_version:

ALTER DATABASE database_name SET OPTIONS (score_version = 2)

PostgreSQL

Establece la opción de base de datos spanner.score_version:

ALTER DATABASE database_name SET "spanner.score_version" = 2

Los valores válidos para la opción de base de datos son 1 o 2. Si el parámetro version está presente en una solicitud, anula la versión predeterminada de la base de datos.

Cómo anular la versión del marcador por consulta

Puedes anular la versión predeterminada del marcador para una consulta específica con el parámetro version en el argumento options de la función SCORE. Si una consulta define una versión del marcador, anula la versión predeterminada de la base de datos.

En el siguiente ejemplo, se anula la versión predeterminada del marcador especificando version en el parámetro options:

GoogleSQL

SELECT AlbumId
FROM Albums
WHERE SEARCH(AlbumTitle_Tokens, @query)
ORDER BY SCORE(
  AlbumTitle_Tokens,
  @query,
  options=>JSON '{"version": 2}'
) DESC

PostgreSQL

En este ejemplo, se usa el parámetro de consulta $1, que está vinculado a la cadena de consulta.

SELECT albumid
FROM albums
WHERE spanner.search(albumtitle_tokens, $1)
ORDER BY spanner.score(
  albumtitle_tokens,
  $1,
  options => '{"version": 2}'::jsonb
) DESC

Cómo limitar la profundidad de recuperación

Los índices de búsqueda suelen contener millones de documentos. Para las consultas en las que los predicados tienen una baja selectividad, no es práctico clasificar todos los resultados. Las consultas de puntuación suelen tener dos límites:

1. Límite de profundidad de recuperación: Es la cantidad máxima de filas que se deben puntuar.
2. Límite de tamaño del conjunto de resultados: Es la cantidad máxima de filas que debe mostrar la consulta (por lo general, el tamaño de la página).

Las consultas pueden limitar la profundidad de recuperación con subconsultas SQL:

GoogleSQL

SELECT AlbumId
FROM
  (
    SELECT AlbumId, SCORE(Title_Tokens, @p1) AS score
    FROM Albums
    WHERE SEARCH(Title_Tokens, @p1)
    ORDER BY ReleaseTimestamp DESC
    LIMIT @retrieval_limit
  )
ORDER BY score DESC
LIMIT @page_size

PostgreSQL

En este ejemplo, se usan los parámetros de consulta $1, $2 y $3, que están vinculados a los valores especificados para title_query, retrieval_limit y page_size, respectivamente.

SELECT albumid
FROM
  (
    SELECT albumid, spanner.score(title_tokens, $1) AS score
    FROM albums
    WHERE spanner.search(title_tokens, $1)
    ORDER BY releasetimestamp DESC
    LIMIT $2
  ) AS subquery
ORDER BY score DESC
LIMIT $3

Esto funciona muy bien si Spanner usa el indicador de clasificación más importante para ordenar el índice.

¿Qué sigue?

• Obtén información sobre las consultas de búsqueda de texto completo.
• Obtén información para realizar una búsqueda de subcadenas.
• Obtén información para paginar los resultados de la búsqueda.
• Obtén información para combinar consultas de texto completo y que no sean de texto.
• Obtén información para buscar en varias columnas.