以字段为中心的查询(field-centric queries) 上述提到的三个问题都来源于most_fields是以字段为中心(field-centric)，而不是以词条为中心(term-centric)：它会查询最多匹配的字段(most matching fields)，而我们真正感兴趣的最匹配的词条(most matching term
以字段为中心的查询(field-centric queries)上述提到的三个问题都来源于most_fields是以字段为中心(field-centric)，而不是以词条为中心(term-centric)：它会查询最多匹配的字段(most matching fields)，而我们真正感兴趣的最匹配的词条(most matching terms)。
note
best_fields同样是以字段为中心的，因此它也存在相似的问题。
首先我们来看看为什么存在这些问题，以及如何解决它们。
问题1：在多个字段中匹配相同的单词考虑一下most_fields查询是如何执行的：es会为每个字段生成一个match查询，让后将它们包含在一个bool查询中。
我们可以将查询传入到validate-query api中进行查看：
get /_validate/query?explain{ query: { multi_match: { query: poland street w1v, type: most_fields, fields: [ street, city, country, postcode ] } }}
它会产生下面的解释(explaination)：
(street:poland street:street street:w1v) (city:poland city:street city:w1v) (country:poland country:street country:w1v) (postcode:poland postcode:street postcode:w1v)
你可以发现能够在两个字段中匹配poland的文档会比在一个字段中匹配了poland和street的文档的分值要高。
问题2：减少长尾在精度控制(controlling precision)一节中，我们讨论了如何使用and操作符和minimum_should_match参数来减少相关度低的文档数量：
{ query: { multi_match: { query: poland street w1v, type: most_fields, operator: and, fields: [ street, city, country, postcode ] } }}
但是，使用best_fields或者most_fields，这些参数会被传递到生成的match查询中。该查询的解释如下(译注：通过validate-query api)：
(+street:poland +street:street +street:w1v) (+city:poland +city:street +city:w1v) (+country:poland +country:street +country:w1v) (+postcode:poland +postcode:street +postcode:w1v)
换言之，使用and操作符时，所有的单词都需要出现在相同的字段中，这显然是错的！这样做可能不会有任何匹配的文档。
问题3：词条频度在什么是相关度(what is relevance)一节中，我们解释了默认用来计算每个词条的相关度分值的相似度算法tf/idf：
词条频度(term frequency)
在一份文档中，一个词条在一个字段中出现的越频繁，文档的相关度就越高。
倒排文档频度(inverse document frequency)
一个词条在索引的所有文档的字段中出现的越频繁，词条的相关度就越低。
当通过多字段进行搜索时，tf/idf会产生一些令人惊讶的结果。
考虑使用first_name和last_name字段搜索peter smith的例子。peter是一个常见的名字，smith是一个常见的姓氏 - 它们的idf都较低。但是如果在索引中有另外一个名为smith williams的人呢？smith作为名字是非常罕见的，因此它的idf值会很高！
像下面这样的一个简单查询会将smith williams放在peter smith前面(译注：含有smith williams的文档分值比含有peter smith的文档分值高)，尽管peter smith明显是更好的匹配：
{ query: { multi_match: { query: peter smith, type: most_fields, fields: [ *_name ] } }}
smith在first_name字段中的高idf值会压倒peter在first_name字段和smith在last_name字段中的两个低idf值。
解决方案这个问题仅在我们处理多字段时存在。如果我们将所有这些字段合并到一个字段中，该问题就不复存在了。我们可以向person文档中添加一个full_name字段来实现：
{ first_name: peter, last_name: smith, full_name: peter smith}
当我们只查询full_name字段时：
拥有更多匹配单词的文档会胜过那些重复出现一个单词的文档。minimum_should_match和operator参数能够正常工作。first_name和last_name的倒排文档频度会被合并，因此smith无论是first_name还是last_name都不再重要。尽管这种方法能工作，可是我们并不想存储冗余数据。因此，es为我们提供了两个解决方案 - 一个在索引期间，一个在搜索期间。下一节对它们进行讨论。