tencent cloud

QQ 分词插件是由腾讯云 ES 团队与腾讯 NLP 团队联合研发的中文分词插件，在腾讯内部广泛应用于 QQ、微信、浏览器等业务。在传统词典分词的基础上，增加了 NER 命名实体识别，同时支持自定义词库功能。QQ 分词插件经过多年的应用实践和不断打磨优化，在分词准确度、分析速度等关键指标上均处于业界领先，您可以在腾讯云 ES 中使用 QQ 分词插件来完成文档的分析和检索。

使用须知

QQ 分词插件仅支持数据节点规格在2核8G及以上的集群，如果集群未安装 QQ 分词插件，请在插件列表页面安装 QQ 分词插件（analysis-qq）。

QQ 分词插件提供如下的分析器（analyzer）和分词器（tokenizer）：

• 分析器：qq_smart, qq_max, qq_smart_ner, qq_max_ner
• 分词器：qq_smart, qq_max, qq_smart_ner, qq_max_ner

您可以使用上述的分析器和分词器完成文档的分析和查询。您也可以通过词库配置功能，自定义更新分词词库，详情请参见下文的配置词库。

说明：

• qq_max 和 qq_smart 有什么区别？
  • qq_max：会将文本做最细粒度的拆分，例如会将“西红柿鸡蛋汤”拆分为“西红柿鸡蛋汤、西红柿鸡蛋、鸡蛋汤、西红柿，鸡蛋、汤、鸡、蛋”。
  • qq_smart：会做最粗粒度的拆分，例如会将“西红柿鸡蛋汤”拆分为“西红柿、鸡蛋、汤”。
• ner 是什么？为什么 ner 功能要独立一个分词器？
  ner 是 Named Entity Recognition（命名实体识别）的简称，可以识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等。对于这一类专有名词，不需要用户上传自定义词库。将 ner 功能单独保证为一个分词器，主要是因为 ner 功能需要加载一个模型，首次加载时间比较长。

使用步骤

1. 登录已安装 QQ 分词插件的集群对应的 Kibana 控制台。登录控制台的具体步骤请参考 通过 Kibana 访问集群。
2. 单击左侧导航栏的 Dev Tools。
3. 在 Console 中使用 QQ 分词插件的分析器创建索引。

   PUT /index
   {
    "mappings": {
      "_doc": {
        "properties": {
          "content": {
            "type": "text",
            "analyzer": "qq_max",
            "search_analyzer": "qq_smart"
          }
        }
      }
    }
   }

   上面的语句创建了一个名称为index的索引，类型为_doc（ES 7及以上版本需要在创建索引时加入?include_type_name=true才能支持类型）。包含了一个content属性，类型为text，并使用了qq_max和qq_smart分析器。执行成功后，将返回如下结果。

   {
    "acknowledged": true,
    "shards_acknowledged": true,
    "index": "index"
   }

4. 添加文档。

   POST /index/_doc/1
   {
    "content": "我从微信上下载了王者荣耀"
   }
   POST /index/_doc/2
   {
    "content": "住建部:9月底前完成名镇名村景观资源登记"
   }
   POST /index/_doc/3
   {
    "content": "中国气象台最新天气预报"
   }
   POST /index/_doc/4
   {
    "content": "我家住在中国古建筑保护协会附近"
   }

   上面的语句导入了4个文档，将使用qq_max分析器对文档进行分析。
5. 使用关键词高亮的方式查询文档。

   GET index/_search
   {
    "query" : { "match" : { "content" : "中国" }},
    "highlight" : {
      "pre_tags" : ["<tag1>", "<tag2>"],
      "post_tags" : ["</tag1>", "</tag2>"],
      "fields" : {"content": {}}
    }
   }

   上面的语句在所有_doc类型的文档中，使用qq_smart分析器，搜索content字段中包含中国的文档。执行成功后，返回如下结果。

   {
    "took" : 108,
    "timed_out" : false,
    "_shards" : {
      "total" : 1,
      "successful" : 1,
      "skipped" : 0,
      "failed" : 0
    },
    "hits" : {
      "total" : {
        "value" : 2,
        "relation" : "eq"
      },
      "max_score" : 0.7199211,
      "hits" : [
        {
          "_index" : "index",
          "_type" : "_doc",
          "_id" : "4",
          "_score" : 0.7199211,
          "_source" : {
            "content" : "我家住在中国古建筑保护协会附近"
          },
          "highlight" : {
            "content" : [
              "我家住在<tag1>中国</tag1>古建筑保护协会附近"
            ]
          }
        },
        {
          "_index" : "index",
          "_type" : "_doc",
          "_id" : "3",
          "_score" : 0.6235748,
          "_source" : {
            "content" : "中国气象台最新天气预报"
          },
          "highlight" : {
            "content" : [
              "<tag1>中国</tag1>气象台最新天气预报"
            ]
          }
        }
      ]
    }
   }

使用自定义词典

QQ 分词插件支持自定义词典的配置，词典上传后会触发集群的滚动重启，请确保集群处于 GREEN 状态，并且没有单副本索引。

1. 登录 Elasticsearch Service 控制台，在集群列表页，单击集群【ID/名称】进入集群详情页。
   
2. 单击【插件列表】，进入插件列表管理页面。
   
3. 找到 QQ 分词插件（analysis-qq），单击右侧【更新词典】。
4. 词典文件要求如下。
   • 词典文件必须为utf-8编码，一行一个词，且文件扩展名为.dic。
   • 单个文件最大为10M，上传文件总数最多为10个。
5. 单击保存。保存后，不会触发集群重启，但需要若干分钟触发集群变更使词典文件生效。

排查测试

如果您在使用 QQ 分词插件时，得到的结果不符合预期，可以通过下面的语句对分析器和分词器进行排查测试。

GET _analyze
{
 "text": "我家住在中国古建筑保护协会附近",
 "analyzer": "qq_max"
}
GET _analyze
{
 "text": "我家住在中国古建筑保护协会附近",
 "tokenizer": "qq_smart"
}