Основы поискаCopy Anchor Link

Поиск кажется магией: вы вводите слово — и мгновенно получаете результат. Под капотом — несколько простых идей, которые стоит понимать, чтобы настраивать AACSearch осознанно: как хранятся данные, как текст превращается в «искаемые» кусочки и что происходит с запросом, пока он не стал выдачей.

Как устроены данныеCopy Anchor Link

• Индекс (index) — набор документов с определённой схемой; то, по чему выполняется поиск. Один индекс на каталог, сайт или базу знаний.
• Коллекция (collection) — хранилище, лежащее в основе индекса (коллекция + схема + настройки).
• Документ (document) — одна запись в индексе: товар, страница, статья.
• Поле (field) — именованный атрибут документа, например title, price, brand.
• Схема (schema) — объявленный список полей индекса и их типов. От неё зависит, по каким полям можно искать и фильтровать.
• Инвертированный индекс (inverted index) — структура, сопоставляющая каждый токен документам, где он встречается. Именно она делает поиск быстрым: вместо перебора всех документов движок сразу знает, где находится слово.

Как текст превращается в токеныCopy Anchor Link

• Токенизация (tokenization) — разбиение текста на токены (слова), которые индексируются.
• Токен (token) — одна индексируемая единица текста, обычно слово.
• Стемминг (stemming) — приведение слов к общему корню (running → run), чтобы формы слова находили друг друга.
• Лемматизация (lemmatization) — приведение слова к словарной форме с учётом морфологии. Точнее стемминга, но дороже.
• Стоп-слова (stop words) — очень частые слова, игнорируемые при индексации и запросе (и, в, на). Их отбрасывание ускоряет поиск и снижает шум.
• Синоним (synonym) — слово, сопоставленное эквивалентным терминам (кроссовки = кеды).
• N-грамма (n-gram) — последовательность из n символов/слов для частичного совпадения и опечаток.
• Словоизменение (inflection) — грамматические формы слова (число, падеж). Важно для русского языка.
• Фонетическое совпадение (phonetic matching) — совпадение по звучанию (имена, бренды).
• Определение языка (language detection) — определение языка запроса для применения нужных правил.
• Нормализация символов (character normalization) — приведение регистра и диакритики (é → e), чтобы «АСУС» и «асус» находились одинаково.

Запрос и результатCopy Anchor Link

• Запрос (query) — текст, который ищет пользователь.
• Термины запроса (query terms) — отдельные токены после разбора запроса.
• Поисковый запрос (search request) — один вызов API поиска или виджета.
• Результат (search result) — один документ, возвращённый на запрос.
• Хит (hit) — совпавший результат; часто нестрого «результат».
• Набор результатов (result set) — упорядоченный список возвращённых документов.
• Пагинация (pagination) — разбиение выдачи на страницы.
• Страница / размер (page / per_page) — номер и размер запрашиваемой страницы.
• Сортировка (sort) — упорядочивание результатов по полю вместо релевантности.
• Группировка (grouping) — схлопывание почти одинаковых результатов (товар и его варианты).
• Distinct — удаление повторяющихся значений поля из выдачи.
• Подсветка (highlighting) — выделение совпавших слов внутри сниппета.
• Сниппет (snippet) — короткий выделенный отрывок под результатом.

Продвинутое совпадениеCopy Anchor Link

• Поиск по префиксу (prefix search) — совпадение по началу слова (теле → телефон).
• Поиск по суффиксу (suffix search) — совпадение по окончанию слова.
• Wildcard — * или ? для неизвестных символов в запросе.
• Regex-запрос (regex query) — поиск по регулярному выражению.
• Экранирование (escaping) — трактовка специальных символов как обычного текста, чтобы запрос «C++» не сломался.