N-граммы с номером частоты с использованием elasticsearch

Из вашего вопроса не было ясно, что именно вы пытались сделать. Как правило, хорошей идеей будет опубликовать код, который вы пробовали, и как можно более точное описание вашей проблемы.

Во всяком случае, я думаю, что этот код будет близок к тому, что вы хотите:

http://sense.qbox.io/gist/f357f15360719299ac556e8082afe26e4e0647d1

Я начал с кода в этого ответа, а затем усовершенствовал некоторые с помощью информация в документах для фильтров токенов shangle. Вот какое отображение у меня получилось:

PUT /test_index
{
   "settings": {
      "analysis": {
         "analyzer": {
            "evolutionAnalyzer": {
               "tokenizer": "standard",
               "filter": [
                  "standard",
                  "lowercase",
                  "custom_shingle"
               ]
            }
         },
         "filter": {
            "custom_shingle": {
               "type": "shingle",
               "min_shingle_size": "2",
               "max_shingle_size": "3",
               "filler_token": "",
               "output_unigrams": true
            }
         }
      }
   },
   "mappings": {
      "doc": {
         "properties": {
            "content": {
               "type": "string",
               "index_analyzer": "evolutionAnalyzer",
               "search_analyzer": "standard",
               "term_vector": "yes"
            }
         }
      }
   }
}

Вы можете использовать векторы терминов.

Вот код, в котором я использовал векторы терминов в другом ответе SO:

http://sense.qbox.io/gist/3092992993e0328f7c4ee80e768dd508a0bc053f

В качестве быстрого примера, если я настрою индекс, предназначенный для автозаполнения, следующим образом:

PUT /test_index
{
   "settings": {
      "analysis": {
         "analyzer": {
            "autocomplete": {
               "type": "custom",
               "tokenizer": "standard",
               "filter": [
                  "standard",
                  "stop",
                  "kstem",
                  "edgengram_filter"
               ]
            }
         },
         "filter": {
            "edgengram_filter": {
               "type": "edgeNGram",
               "min_gram": 2,
               "max_gram": 15
            }
         }
      }
   },
   "mappings": {
      "doc": {
         "properties": {
            "content": {
               "type": "string",
               "index_analyzer": "autocomplete",
               "search_analyzer": "standard",
               "term_vector": "yes"
            }
         }
      }
   }
}

Затем добавьте пару простых документов:

POST test_index/doc/_bulk
{"index":{"_id":1}}
{"content":"hello world"}
{"index":{"_id":2}}
{"content":"goodbye world"}

Я могу посмотреть на частоту термина для одного документа следующим образом:

GET /test_index/doc/1/_termvector

который возвращает:

{
   "_index": "test_index",
   "_type": "doc",
   "_id": "1",
   "_version": 1,
   "found": true,
   "took": 1,
   "term_vectors": {
      "content": {
         "field_statistics": {
            "sum_doc_freq": 8,
            "doc_count": 1,
            "sum_ttf": 8
         },
         "terms": {
            "he": {
               "term_freq": 1
            },
            "hel": {
               "term_freq": 1
            },
            "hell": {
               "term_freq": 1
            },
            "hello": {
               "term_freq": 1
            },
            "wo": {
               "term_freq": 1
            },
            "wor": {
               "term_freq": 1
            },
            "worl": {
               "term_freq": 1
            },
            "world": {
               "term_freq": 1
            }
         }
      }
   }
}

Будьте осторожны с использованием векторов терминов в рабочей среде, так как они добавляют некоторые накладные расходы. Зато очень полезно для тестирования.

РЕДАКТИРОВАНИЕ: если вы ищете частотность терминов по всему индексу, просто используйте объединение терминов.