Orama搜索库中阈值0的异常行为分析

问题背景

在全文搜索引擎Orama中，阈值(threshold)参数是一个重要的搜索控制参数。根据官方文档描述，当阈值设置为0时，搜索结果应当只返回包含所有搜索关键字的文档。然而在实际使用中发现，这一行为并不总是符合预期。

问题现象

在某些特定情况下，即使将阈值设置为0，搜索结果中仍会包含不完全匹配所有关键字的文档。这种情况通常发生在对比长度差异较大的文档时：较长的文档可能因为得分计算方式而排名靠前，尽管它只匹配了部分关键字。

技术分析

当前实现机制

Orama的搜索算法核心位于algorithms.ts文件中。当前实现使用两个独立的Map结构：

• tokenScoresMap：记录每个文档的得分
• tokenKeywordsCountMap：记录每个文档匹配的关键字数量

算法在处理搜索结果时，假设这两个Map的排序顺序是一致的，即得分高的文档匹配的关键字数量也多。然而这一假设在实际场景中并不总是成立。

问题根源

问题的根本原因在于：

1. 得分计算考虑了文档长度等因素，可能导致长文档得分偏高
2. 关键字匹配数量与得分计算是分离的
3. 结果截取时依赖两个Map的顺序一致性假设

当长文档只匹配部分关键字但得分较高时，由于两个Map的顺序不一致，导致阈值过滤失效。

解决方案探讨

改进方案

一个可行的改进方案是将得分和关键字匹配数合并存储在一个数据结构中。具体实现可以是：

const tokenScoresMap = new Map<InternalDocumentID, [number, number]>();

// 处理搜索结果时同时更新得分和匹配数
if (existingScore) {
    tokenScoresMap.set(token, [oldScore * 1.5 + boostScore, existingCount + 1]);
} else {
    tokenScoresMap.set(token, [boostScore, 1]);
}

这种改进有以下优势：

1. 保证得分和匹配数的数据一致性
2. 可以灵活地按不同策略排序结果
3. 消除原有实现中的顺序依赖假设

排序策略优化

基于合并后的数据结构，可以实施更合理的排序策略：

1. 当阈值为1(宽松匹配)时，按得分排序
2. 当阈值小于1(严格匹配)时，先按匹配数排序，再按得分排序

这种策略能确保在严格匹配场景下，完全匹配的文档总是优先于部分匹配的文档。

实际影响

这一改进将确保Orama的阈值参数行为与文档描述完全一致，特别是在以下场景：

• 长短文档混合搜索
• 多关键字组合搜索
• 精确匹配需求场景

对于依赖精确匹配功能的用户来说，这一改进将显著提高搜索结果的准确性。

总结

Orama作为一款新兴的全文搜索引擎，在搜索精度控制方面仍有优化空间。通过重构得分和匹配数的存储与计算方式，可以解决当前阈值0不生效的问题，同时为未来更复杂的搜索场景打下良好基础。这一改进不仅修复了现有问题，还提升了整个搜索算法的健壮性和可预测性。