短语查询和使用带状疱疹过滤器之间有什么区别？

使用短语与带状疱疹之间的差异主要涉及性能和评分。

在索引中单个单词的典型情况下使用短语查询（例如“foo bar”）时，短语查询必须遍历“foo”和“bar”的倒排索引并查找包含这两个术语的文档，然后在每个文档中遍历它们的位置列表以查找“foo”出现在“bar”之前的位置。

这对性能和评分都有一些影响：

1. 位置（.prx）必须索引和搜索，这就像倒排索引的额外“维度”，这将增加索引和搜索时间
2. 由于倒排索引中仅显示单个术语，因此没有计算出真正的“短语 IDF”（这可能不会影响您）。因此，这是基于术语IDF的总和的近似值。

另一方面，如果您使用带状疱疹，则还会索引单词n-grams，换句话说，如果您要瓦化到大小2，则索引中还将具有诸如“foo bar”之类的术语。这意味着对于此短语查询，它将被解析为简单的 TermQuery，而不使用任何位置列表。由于IDF现在是一个“实际术语”，因此短语IDF将是准确的，因为我们确切地知道这个“术语”存在多少文件。

但是使用带状疱疹也有一些成本：

1. 增加了术语字典，术语索引和帖子列表大小，尽管这可能是一个公平的权衡，特别是如果您使用Field.setIndexOptions完全禁用头寸。
2. 在索引的分析阶段有一些额外的成本：尽管ShigleFilter优化得很好，而且速度非常快。
3. 没有明显的方法来计算“草率的短语查询”或不精确的短语匹配，尽管这可以近似，例如，对于大小为2的带状疱疹的“foo bar baz”短语，您将有两个标记：foo_bar，bar_baz，您可以通过Lucene的其他一些查询（如BooleanQuery）实现搜索，以获得不精确的近似值。

一般来说，使用带状疱疹或CommonGrams之类的东西索引单词ngram只是一种权衡（相当专业），以降低位置查询的成本或提高短语评分。

但是这些东西有现实世界的用例，这里有一个很好的例子：http://www.hathitrust.org/blogs/large-scale-search/slow-queries-and-common-words-part-2