Azure Yapay Zeka Arama'te tam metin arama

Tam metin arama, dizinde depolanan düz metinle eşleşen bilgi alma yaklaşımıdır. Örneğin, "San Diego'daki plajdaki oteller" sorgu dizesi verüldüğünde, arama motoru bu terimlere göre belirteçli dizeleri arar. Taramaları daha verimli hale getirmek için sorgu dizeleri sözcük temelli analizden geçer: tüm terimlerin küçük harfle yazılması, "the" gibi durdurma sözcüklerinin kaldırılması ve terimlerin temel kök formlara indirilmesi. Eşleşen terimler bulunduğunda, arama altyapısı belgeleri alır, ilgi sırasına göre sıralar ve en iyi sonuçları döndürür.

Sorgu yürütme karmaşık olabilir. Bu makale, Azure Yapay Zeka Arama'te tam metin aramanın nasıl çalıştığı hakkında daha ayrıntılı bilgi sahibi olması gereken geliştiricilere yöneliktir. Metin sorguları için Azure Yapay Zeka Arama çoğu senaryoda beklenen sonuçları sorunsuz bir şekilde sunar, ancak bazen bir şekilde "kapalı" gibi görünen bir sonuç alabilirsiniz. Bu gibi durumlarda, Lucene sorgu yürütmesinin dört aşamasında (sorgu ayrıştırma, sözcük analizi, belge eşleştirme ve puanlama) bir arka plana sahip olmak, sorgu parametrelerinde veya dizin yapılandırmasında istenen sonucu oluşturan belirli değişiklikleri belirlemenize yardımcı olabilir.

Mimariye genel bakış ve diyagram

Sorgu yürütmenin dört aşaması vardır:

1. Sorgu ayrıştırma
2. Sözcük temelli analiz
3. Belge erişimi
4. Puanlama

Tam metin arama sorgusu, arama terimlerini ve işleçlerini ayıklamak için sorgu metnini ayrıştırmayla başlar. Hız ve karmaşıklık arasında seçim yapabileceğiniz iki ayrıştırıcı vardır. tr-TR: Sonraki aşama olarak bir analiz aşaması gelir, burada tek tek sorgu terimleri bazen bölünür ve yeni formlara yeniden kurgulanır. Bu adım, olası bir eşleşme olarak değerlendirilebilecekler üzerinde daha geniş bir ağ oluşturmanıza yardımcı olur. Arama altyapısı daha sonra eşleşen terimlere sahip belgeleri bulmak için dizini tarar ve her eşleşmeyi puanlar. Sonuç kümesi, eşleşen her bir belgeye atanan bir ilgi puanına göre sıralanır. Dereceli listenin en üstündekiler çağıran uygulamaya döndürülür.

Aşağıdaki diyagramda arama isteğini işlemek için kullanılan bileşenler gösterilmektedir:

Arama isteğinin anatomisi

Arama isteği, sonuç kümesinde döndürülmesi gerekenlerin tam belirtimidir. En basit haliyle, hiçbir ölçüte sahip olmayan boş bir sorgu. Daha gerçekçi bir örnek parametreleri, çeşitli sorgu terimlerini, belki de kapsamı belirli alanlarla belirlenmiş ve muhtemelen bir filtre ifadesi ve sıralama kuralları içerir.

Aşağıdaki örnek, REST API kullanarak Azure Yapay Zeka Arama'e gönderebilecekleri bir arama isteğidir:

POST /indexes/hotels/docs/search?api-version=2026-04-01
{
    "search": "Spacious, air-condition* +\"Ocean view\"",
    "searchFields": "description, title",
    "searchMode": "any",
    "filter": "price ge 60 and price lt 300",
    "orderby": "geo.distance(location, geography'POINT(-159.476235 22.227659)')", 
    "queryType": "full" 
}

Bu istek için arama altyapısı aşağıdaki işlemleri yapar:

1. Fiyatın en az 60 TL ve 300 TL'den düşük olduğu belgeleri bulur.

2. Sorguyu yürütür. Bu örnekte, arama sorgusu tümceciklerden ve terimlerden oluşur: "Spacious, air-condition* +\"Ocean view\"" (Kullanıcılar genellikle noktalama işaretleri girmez, ancak örneği ekleyerek çözümleyicilerin bunu nasıl işlediğini açıklayabiliriz.)

   Bu sorgu için, arama motoru "searchFields" içinde belirtilen açıklama ve başlık alanlarını tarar, ve "Ocean view" içeren belgeler ile "spacious" terimini veya ön eki "air-condition" olan terimlerle ek olarak arama yapar. "searchMode" parametresi, bir terimin açıkça gerekli+ olmadığı () durumlarda herhangi bir terimle (varsayılan) veya tümüyle eşleştirmek için kullanılır.

3. Elde edilen otel kümesini belirli bir coğrafya konumuna yakınlığıyla sıralar ve ardından sonuçları çağıran uygulamaya döndürür.

Bu makalenin çoğu arama sorgusunun işlenmesiyle ilgili: "Spacious, air-condition* +\"Ocean view\"". Filtreleme ve sıralama kapsamın dışında. Daha fazla bilgi için Arama API'si başvuru belgelerine bakın.

1. Aşama: Sorgu ayrıştırma

Belirtildiği gibi sorgu dizesi isteğin ilk satırıdır:

 "search": "Spacious, air-condition* +\"Ocean view\"", 

Sorgu ayrıştırıcısı, işleçleri (örnekte ve gibi *+ ) arama terimlerinden ayırır ve arama sorgusunu desteklenen türde alt sorgulara ayırır:

• tek başına terimler için terim sorgusu (geniş gibi)
• tırnak içine alınmış terimler için tümcecik sorgusu (okyanus görünümü gibi)
• terimler için ön ek sorgusu ve ardından bir ön ek işleci * (klima gibi)

Desteklenen sorgu türlerinin tam listesi için bkz. Lucene sorgu söz dizimi.

Bir alt sorguyla ilişkili işleçler, bir belgenin eşleşme olarak kabul edilmesi için sorgunun "olması" veya "yerine getirilmesi" gerektiğini belirler. Örneğin, +"Ocean view" işlecinden dolayı + "zorunlu" olur.

Sorgu ayrıştırıcısı, alt sorguları bir sorgu ağacına (sorguyu temsil eden bir iç yapı) yeniden yapılandırarak arama altyapısına geçirir. Sorgu ayrıştırma işleminin ilk aşamasında, sorgu ağacı şöyle görünür:

Desteklenen çözücüler: Basit ve Tam Lucene

Azure Yapay Zeka Arama iki farklı sorgu dilini kullanıma sunar: simple (varsayılan) ve full. Arama isteğinizle parametreyi queryType ayarlayarak, işleçleri ve söz dizimini yorumlamayı bilmesi için sorgu ayrıştırıcısına hangi sorgu dilini seçtiğinizi söylersiniz.

• Basit sorgu dili sezgisel ve sağlamdır; genellikle kullanıcı girişi as-is istemci tarafı işleme olmadan yorumlamak için uygundur. Web arama motorlarından tanıdık sorgu işleçlerini destekler.

• Full Lucene sorgu dili, queryType=full ayarlandığında elde edilir ve joker karakter, bulanık, regex ve alan kapsamlı sorgular gibi daha fazla işleç ve sorgu türü için destek ekleyerek varsayılan Basit sorgu dilini genişletir. Örneğin, Basit sorgu söz diziminde gönderilen normal ifade, ifade olarak değil sorgu dizesi olarak yorumlanır. Bu makaledeki örnek istek, Tam Lucene sorgu dilini kullanır.

searchMode'un ayrıştırıcı üzerindeki etkisi

Ayrıştırma işlemini etkileyen bir diğer arama isteği parametresi de "searchMode" parametresidir. Boole sorguları için varsayılan işleci denetler: herhangi biri (varsayılan) veya tümü.

Varsayılan değer olan "searchMode=any" olduğunda, geniş ve klima arasındaki boşluk sınırlayıcısı OR ()|| olur ve örnek sorgu metni şunun eşdeğeri olur:

Spacious,||air-condition*+"Ocean view" 

Açık işleçler, + gibi, boole +"Ocean view" sorgu yapısında belirsiz değildir (terimin eşleşmesi gerekir). Daha az belirgin olan, kalan terimlerin nasıl yorumlanacağıdır: geniş ve klima. Arama motoru okyanus görünümünde ve geniş ve klimada eşleşmeler bulmalı mı? Yoksa okyanus görünümünün yanı sıra kalan terimlerden birini mi bulmalıdır?

Varsayılan olarak ("searchMode=any"), arama altyapısı daha geniş bir yorum olduğunu varsayar. "Her iki alandan biri, 'veya' anlamını yansıtacak şekilde eşleştirilmelidir." Daha önce gösterilen ilk sorgu ağacı, iki "should" işlemiyle birlikte varsayılanı gösterir.

Şimdi "searchMode=all" ayarlayacağımızı varsayalım. Bu durumda, boşluk bir "ve" işlemi olarak yorumlanır. Kalan terimlerin her ikisi de belgede bulunmalıdır ki eşleşme olarak nitelendirilebilsin. Sonuçta elde edilen örnek sorgu şu şekilde yorumlanabilir:

+Spacious,+air-condition*+"Ocean view"

Eşleşen bir belgenin üç alt sorgunun da kesişimi olduğu bu sorgu için değiştirilmiş bir sorgu ağacı şöyle görünür:

2. Aşama: Sözcük temelli analiz

Sözcük temelli çözümleyiciler, sorgu ağacı yapılandırıldıktan sonra terim sorgularını ve tümcecik sorgularını işler. Çözümleyici ayrıştırıcı tarafından ona verilen metin girişlerini kabul eder, metni işler ve ardından sorgu ağacına dahil edilecek belirteçli terimleri geri gönderir.

Sözcük temelli analizin en yaygın biçimi, sorgu terimlerini belirli bir dile özgü kurallara göre dönüştüren dil analizidir. Bu şunları içerir:

• Sorgu terimini bir sözcüğün kök biçimine küçültme.
• Temel olmayan sözcükleri kaldırma (İngilizcede "the" veya "and" gibi stopwords).
• Bileşik sözcüğü bileşen parçalarına ayırma.
• Büyük harfli bir sözcüğü küçük harfle yazma.

Bu işlemlerin tümü, kullanıcı tarafından sağlanan metin girişi ile dizinde depolanan terimler arasındaki farkları silme eğilimindedir. Bu tür işlemler metin işlemenin ötesine geçer ve dilin kendisi hakkında ayrıntılı bilgi gerektirir. Azure Yapay Zeka Arama, bu dil farkındalığı katmanını eklemek için hem Lucene hem de Microsoft'tan uzun bir dil çözümleyicisi listesini destekler.

Örneğimizde, analizden önce ilk sorgu ağacında "Geniş" terimi, büyük "S" harfi ile yer almaktadır ve sorgu ayrıştırıcısı bu terimi bir sorgu ifadesi olarak değerlendirirken bir virgül içerir (virgül, sorgu dili operatörü olarak kabul edilmez).

Varsayılan çözümleyici terimi işlediğinde, "okyanus görünümü" ve "geniş" terimlerini küçük harfe dönüştürür ve virgül karakterini kaldırır. Değiştirilen sorgu ağacı şöyle görünür:

Çözümleyici davranışlarını test etme

Çözümleyicinin davranışı Çözümle API'sini kullanarak test edilebilir. Verilen çözümleyicinin hangi terimleri oluşturacaklarını görmek için analiz etmek istediğiniz metni sağlayın. Örneğin, standart çözümleyicinin "air-condition" metnini nasıl işlediğini görmek için aşağıdaki isteği gönderebilirsiniz:

{
    "text": "air-condition",
    "analyzer": "standard"
}

Standart çözümleyici giriş metnini aşağıdaki iki belirtece böler ve bunlara başlangıç ve bitiş uzaklıkları (isabet vurgulama için kullanılır) ve konumları (tümcecik eşleştirme için kullanılır) gibi özniteliklerle açıklama ekler:

{
  "tokens": [
    {
      "token": "air",
      "startOffset": 0,
      "endOffset": 3,
      "position": 0
    },
    {
      "token": "condition",
      "startOffset": 4,
      "endOffset": 13,
      "position": 1
    }
  ]
}

Leksik çözümleme ile ilgili istisnalar

Sözcük temelli çözümleme yalnızca terim sorgusu veya tümcecik sorgusu olmak üzere tam terimler gerektiren sorgu türleri için geçerlidir. Tamamlanmamış terimlere sahip sorgu türleri (ön ek sorgusu, joker karakter sorgusu ve regex sorgusu) veya benzer bir sorgu için geçerli değildir. Örneğimizdeki terimi air-condition* içeren ön ek sorgusu da dahil olmak üzere bu sorgu türleri, analiz aşamasını atlayarak doğrudan sorgu ağacına eklenir. Bu türlerin sorgu terimlerinde gerçekleştirilen tek dönüştürme, küçük harfe dönüştürülmesidir.

3. Aşama: Belge alma

Belge alma, dizinde eşleşen terimlere sahip belgeleri bulmayı ifade eder. Bu aşama bir örnekle en iyi şekilde anlaşılır. Aşağıdaki basit şemaya sahip bir oteller diziniyle başlayalım:

{
    "name": "hotels",
    "fields": [
        { "name": "id", "type": "Edm.String", "key": true, "searchable": false },
        { "name": "title", "type": "Edm.String", "searchable": true },
        { "name": "description", "type": "Edm.String", "searchable": true }
    ] 
} 

Bu dizinin aşağıdaki dört belgeyi içerdiğini de varsayalım:

{
    "value": [
        {
            "id": "1",
            "title": "Hotel Atman",
            "description": "Spacious rooms, ocean view, walking distance to the beach."
        },
        {
            "id": "2",
            "title": "Beach Resort",
            "description": "Located on the north shore of the island of Kauaʻi. Ocean view."
        },
        {
            "id": "3",
            "title": "Playa Hotel",
            "description": "Comfortable, air-conditioned rooms with ocean view."
        },
        {
            "id": "4",
            "title": "Ocean Retreat",
            "description": "Quiet and secluded"
        }
    ]
}

Terimler nasıl dizinlenir?

Alma işlemini anlamak için dizin oluşturma hakkında birkaç temel bilgi edinmeye yardımcı olur. Depolama birimi, her aranabilir alan için bir tane olan ters dizindir. Ters çevrilmiş bir dizinde, tüm belgelerdeki tüm terimlerin sıralanmış listesi yer alır. Her terim, aşağıda gösterildiği gibi bulunduğu belgelerin listesiyle eşlenir.

Terimleri ters dizinde oluşturmak için arama altyapısı, sorgu işleme sırasında gerçekleşenlere benzer şekilde belgelerin içeriği üzerinde sözcük temelli analiz gerçekleştirir:

1. Metin girişleri çözümleyici yapılandırmasına bağlı olarak bir çözümleyiciye geçirilir, küçük harfe dönüştürülür, noktalama işaretleri çıkarılır vb.
2. Belirteçler , sözcük temelli analizin çıkışıdır.
3. Terimler dizine eklenir.

Sorgu terimlerinin dizin içindeki terimlere daha çok benzemesi için arama ve dizin oluşturma işlemleri için aynı çözümleyicilerin kullanılması yaygın bir durumdur ancak gerekli değildir.

Örnek belgeler için ters dizin

Örneğimize dönerken, başlık alanı için ters dizin şöyle görünür:

Başlık alanında yalnızca otel iki belgede gösterilir: 1 ve 3.

Açıklama alanı için dizin şöyle görünür:

Sorgu terimlerini dizinlenmiş terimlerle eşleştirme

Yukarıdaki ters dizinleri göz önünde bulundurarak örnek sorguya geri dönelim ve örnek sorgumuz için eşleşen belgelerin nasıl bulunduğunu görelim. Son sorgu ağacının şöyle göründüğünü hatırlayın:

Sorgu yürütme sırasında, tek tek sorgular aranabilir alanlarda bağımsız olarak yürütülür.

• TermQuery, "ferah", doküman 1 (Hotel Atman) ile eşleşir.

• PrefixQuery , "air-condition*", hiçbir belgeyle eşleşmiyor.

  Bu davranış bazen geliştiricilerin kafasını karıştırır. Belgede klima terimi mevcut olsa da, varsayılan çözümleyici tarafından iki terime ayrılır. Kısmi terimler içeren ön ek sorgularının analiz olmadığını hatırlayın. Bu nedenle, "klima" ön ekini içeren terimler ters dizinde aranıp bulunamaz.

• "Okyanus görünümü" olan PhraseQuery, "okyanus" ve "görünüm" terimlerini arar ve özgün belgedeki terimlerin yakınlıklarını denetler. 1, 2 ve 3 belgeleri, açıklama alanındaki bu sorguyla eşleşmektedir. Tek tek sözcükler yerine "okyanus görünümü" tümceciği aradığımızdan, belge 4'ün başlığında "okyanus" teriminin yer aldığına ancak eşleşme olarak kabul edilmediğine dikkat edin.

Söz konusu sorgunun tamamında, eşleşen belgeler 1, 2 ve 3'lerdir.

4. Aşama: Puanlama

Arama sonucu kümesindeki her belgeye bir ilgi puanı atanır. İlgi puanının işlevi, arama sorgusu tarafından ifade edilen bir kullanıcı sorusuna en iyi yanıt veren belgelerin daha yüksek derecesini almaktır. Puan, eşleşen terimlerin istatistiksel özelliklerine göre hesaplanır. Puanlama formülünün merkezinde terim sıklığı-ters belge sıklığı (TF/IDF) bulunur. Nadir ve yaygın terimler içeren sorgularda, TF/IDF nadir terimi içeren sonuçları yükseltmektedir. Örneğin, tüm Wikipedia makalelerinin bulunduğu varsayımsal bir dizinde, başkan sorgusuyla eşleşen belgeler, başkan ile eşleşen belgelere kıyasla the kelimesiyle eşleşen belgelere göre daha ilgili kabul edilir.

Puanlama örneği

Örnek sorgumuzla eşleşen üç belgeyi hatırlayın:

search=Spacious, air-condition* +"Ocean view"  

{
  "value": [
    {
      "@search.score": 0.25610128,
      "id": "1",
      "title": "Hotel Atman",
      "description": "Spacious rooms, ocean view, walking distance to the beach."
    },
    {
      "@search.score": 0.08951007,
      "id": "3",
      "title": "Playa Hotel",
      "description": "Comfortable, air-conditioned rooms with ocean view."
    },
    {
      "@search.score": 0.05967338,
      "id": "2",
      "title": "Ocean Resort",
      "description": "Located on a cliff on the north shore of the island of Kauai. Ocean view."
    }
  ]
}

Hem geniş terimi hem de gerekli tümcecik okyanus görünümü açıklama alanında gerçekleştiğinden, belge 1 sorguyla en iyi şekilde eşleşmiş. Sonraki iki belge yalnızca okyanus görünümü tümceciğiyle eşleşecek. 2 ve 3 numaralı belgelerin ilgi puanlarının sorguyla aynı şekilde eşleşmesine rağmen farklı olması sizi şaşırtabilir. Bunun nedeni, puanlama formülünde TF/IDF'den daha fazla bileşen olmasıdır. Bu durumda, açıklaması daha kısa olduğundan belge 3'e biraz daha yüksek bir puan atanmıştır. Alan uzunluğunun ve diğer faktörlerin ilgi puanını nasıl etkileyebileceğinizi anlamak için Lucene'in Pratik Puanlama Formülü hakkında bilgi edinin.

Bazı sorgu türleri (joker karakter, ön ek ve regex) her zaman genel belge puanına sabit bir puan ekler. Bu, sorgu genişletmesi aracılığıyla bulunan eşleşmelerin derecelendirmeyi etkilemeden sonuçlara eklenmesini sağlar.

Bunun neden önemli olduğunu gösteren bir örnek. Joker karakter aramaları, ön ek aramaları da dahil olmak üzere, tanım gereği belirsizdir; çünkü giriş, çok sayıda farklı terimde olası eşleşmelere sahip kısmi bir dizedir. "turlar", "tourettes" ve "tourmaline" üzerinde bulunan eşleşmelerle birlikte "tur*" girişini değerlendirin. Bu sonuçların doğası gereği, hangi terimlerin diğerlerinden daha değerli olduğunu makul bir şekilde çıkarmanın bir yolu yoktur. Bu nedenle, joker karakter, ön ek ve regex türü sorgularda sonuçları puanlarken terim sıklıklarını yoksayarız. Kısmi ve eksiksiz terimler içeren çok parçalı arama isteğinde, beklenmedik olabilecek eşleşmelere karşı sapma olmaması için kısmi giriş sonuçları sabit bir puanla birleştirilmiştir.

İlgi düzeyini ayarlama

Azure Yapay Zeka Arama'te ilgi puanlarını ayarlamanın iki yolu vardır:

• Puanlama profilleri , bir dizi kurala göre dereceli sonuç listesinde belgeleri yükseltiyor. Örneğimizde, başlık alanında eşleşen belgeler, açıklama alanında eşleşen belgelerden daha ilgili olabilir. Ayrıca, dizinimizde her otel için bir fiyat alanı varsa, belgeleri daha düşük fiyatlarla tanıtabiliriz. Arama dizinine puanlama profilleri ekleme hakkında daha fazla bilgi edinin.

• Terim artırma (yalnızca Full Lucene sorgu söz diziminde kullanılabilir), sorgu ağacının herhangi bir bölümüne uygulanabilen bir artırma işleci ^ sağlar. Örneğimizde, klima* ön eki yerine, ya tam terim klima için ya da ön ek için arama yapabilirsiniz, fakat tam terime uyan belgeler, terim sorgusuna ağırlık artırma uygulanarak daha yüksek sıralanır: klima^2||klima*. Sorguda terim artırma hakkında daha fazla bilgi edinin.

Bir dağıtılmış dizinde puanlama

Azure Yapay Zeka Arama'teki tüm dizinler otomatik olarak birden çok parçaya bölünerek hizmetin ölçeğini artırma veya azaltma sırasında dizini birden çok düğüm arasında hızla dağıtmamıza olanak sağlar. Bir arama isteği verildiğinde, her bağımsız parça üzerinde gerçekleştirilir. Her parçanın sonuçları puana göre birleştirilir ve sıralanır (başka bir sıralama tanımlanmadıysa). Puanlama işlevinin sorgu terimi sıklığını, kesim içindeki tüm belgelerin ters sıklığına göre ağırlıklandırdığını, tüm kesimler genelinde değil, bilmeniz önemlidir!

Başka bir deyişle, farklı parçalarda bulunan aynı belgeler için ilgi puanı farklı olabilir . Neyse ki, daha eşit bir terim dağılımı nedeniyle dizindeki belge sayısı arttıkça bu tür farklılıklar ortadan kalkma eğilimindedir. Belirli bir belgenin hangi parçaya yerleştirileceğini varsaymak mümkün değildir. Ancak, bir belge anahtarının değişmediği varsayıldığında, her zaman aynı parçaya atanır.

Genel olarak, sıralama kararlılığı önemliyse doküman puanı belgeleri sıralamak için en iyi öznitelik değildir. Örneğin, aynı puana sahip iki belge göz önüne alındığında, bir belgenin aynı sorgunun sonraki çalıştırmalarında ilk kez görünmesi garanti edilmez. Belge puanı, yalnızca sonuç kümesindeki diğer belgelere göre belgeyle ilgili genel bir ilgi hissi vermelidir.

Sonuç

Ticari arama motorlarının başarısı, özel veriler üzerinde tam metin arama beklentilerine neden oldu. Neredeyse her tür arama deneyimi için, terimler yanlış yazılmış veya eksik olsa bile arama motorunun amacımızı anlamasını bekliyoruz. Hatta hiç belirtmediğimiz neredeyse eşdeğer terimlere veya eş anlamlılara göre eşleşmeler beklenebilir.

Teknik açıdan tam metin araması son derece karmaşıktır ve ilgili bir sonuç elde etmek için sorgu terimlerini damıtacak, genişletecek ve dönüştürecek şekilde karmaşık dil analizi ve işlemeye sistematik bir yaklaşım gerektirir. Doğası gereği karmaşıklıklar göz önünde bulundurulduğunda, sorgunun sonucunu etkileyebilecek birçok faktör vardır. Bu nedenle, tam metin aramanın mekaniğinin anlaşılması için zaman ayırarak beklenmeyen sonuçlara ulaşmaya çalışırken somut avantajlar sunar.

Bu makalede Azure Yapay Zeka Arama bağlamında tam metin araması keşfedildi. Yaygın sorgu sorunlarını gidermeye yönelik olası nedenleri ve çözümleri tanımak için size yeterli arka plan sağladığını umuyoruz.

Sonraki adımlar

• Örnek dizini oluşturun, farklı sorguları deneyin ve sonuçları gözden geçirin. Yönergeler için bkz . Azure portalında dizin oluşturma ve sorgulama.

• Belgeleri Ara örnek bölümünden veya Azure portalındaki Arama gezginindeki Basit sorgu söz diziminden diğer sorgu söz dizimini deneyin.

• Arama uygulamanızda derecelendirmeyi ayarlamak istiyorsanız puanlama profillerini gözden geçirin.

• Dile özgü sözcük temelli çözümleyiciler uygulayın.

• Belirli alanlarda en az işlem veya özel işleme için özel çözümleyiciler yapılandırın.

İlgili içerik

• Belgelerde Arama REST API'si

• Basit sorgu söz dizimi

• Lucene tam sorgu söz dizimi

• Arama sonuçlarını işleme