Elasticsearch- Boolean查询

本文介绍了Elasticsearch的Boolean查询,包括must、filter、should和must_not四种类型,详细阐述了它们在匹配文档中的作用和得分计算。此外,还提到了使用filter提升检索效率的策略。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

bool查询采用了“匹配越多越好”的方法,因此来自每个匹配的must或should子句的分数将添加在一起,以提供每个文档的最终_分数。

bool查询主要包括以下几种类型

must:查询的结果必须出现在匹配文档中,并且会计算得分

filter:查询的结果必须出现在匹配文档中,但是会忽略计算得分

should:查询的结果应该出现在匹配文档中,会计算相关性得分

must_not:查询的结果不应该出现在匹配的文档中,评分会被忽略

range:条件范围查询

gt:大于 相当于数据库中的>

gte:大于等于 相当于数据库中的>=

lt:小于 相当于数据库中的<

lte:小于等于,相当于数据库中的<=

如果不需要计算得分,可以使用filter替代must,以提高检索效率的目的。

# must必须匹配,会进行相关性打分
POST /nba/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "title": "james"
          }
        }
      ]
    }
  }
}
 
# filter必须匹配,不会进行相关性打分
POST /nba/_search
{
  "query": {
    "bool": {
      "filter": [
        {
          "match": {
            "title": "james"
          }
        }
      ]
    }
  }
}
 
# must_not必须不匹配
post nba/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "title": "james"
          }
        }
      ],
      "must_not": [
        {
          "term": {
            "teamConferenceEn": {
              "value": "Eastern"
            }
          }
        }
      ]
    }
  }
}
 
# should 应该,应该是11-20年,但是其他的也会查询出来
post nba/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "title": "james"
          }
        }
      ],
      "must_not": [
        {
          "term": {
            "teamConferenceEn": {
              "value": "Eastern"
            }
          }
        }
      ],
      "should": [
        {
          "range": {
            "year": {
              "gte": 2011,
              "lte": 2020
            }
          }
        }
      ]
    }
  }
}
 
 
# should 应该,应该是11-20年,配合minimum_should_match=1,则至少匹配should中的一个条件,应该变成必须一个条件成立
post nba/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "match": {
            "title": "james"
          }
        }
      ],
      "must_not": [
        {
          "term": {
            "teamConferenceEn": {
              "value": "Eastern"
            }
          }
        }
      ],
      "should": [
        {
          "range": {
            "year": {
              "gte": 2011,
              "lte": 2020
            }
          }
        }
      ],
      "minimum_should_match": 1
    }
  }
}

### NWD 损失函数的图表与可视化 对于YOLOv5中的`yolov5-NWD.py`文件,该文件实现了Wasserstein损失函数用于目标检测[^1]。然而,在提及NWD(假设为噪声到唤醒网络)时,并未找到直接关联于这种特定架构或方法下的损失函数图表或可视化的具体描述。 通常情况下,为了展示任何类型的损失函数的变化情况及其性能表现,可以采用如下几种常见的可视化方式: #### 1. 训练过程中的损失变化曲线图 通过记录训练过程中每轮迭代后的损失值,绘制出随着epoch增加而对应的平均损失下降趋势图。这有助于直观了解模型收敛速度以及是否存在过拟合等问题。 ```python import matplotlib.pyplot as plt def plot_loss_curve(epochs, losses): plt.figure(figsize=(8,6)) plt.plot(range(1, epochs+1), losses) plt.title('Training Loss Curve') plt.xlabel('Epochs') plt.ylabel('Loss Value') plt.grid(True) plt.show() ``` #### 2. 不同超参数设置下对比分析图 当调整某些关键性的超参数比如学习率、正则项系数等之后,可以通过多条不同颜色或者样式的折线来比较它们各自带来的影响效果差异。 #### 3. 测试集上预测结果分布直方图 除了关注整体上的数值指标外,还可以针对测试样本生成其真实标签和预测得分之间的差距统计图形,以此评估模型泛化能力的好坏程度。 由于当前关于NWD的具体定义不够清晰,上述建议更多基于一般意义上的机器学习项目实践给出。如果确实存在名为"NWD"的独特技术方案,则可能需要查阅更专业的资料源获取针对性更强的信息。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

wangyuan9826

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值