与 terms 聚合不同，目前无法使用脚本生成的词项进行计数。 由于 significant_terms 聚合必须考虑前景和背景频率，因此在整个索引上使用脚本来获取背景频率进行比较的成本非常高。 出于类似的原因，文档值(DocValues)也不支持作为词项数据的来源。

目前不支持浮点字段作为 significant_terms 分析的主题。 虽然整型(integer)或长整形(long)字段可用于表示银行账号或类别号等概念，跟踪这些概念可能会很有趣，但浮点型(float)字段通常用于表示数量。 因此，单个浮点项对于这种形式的频率分析没有用处。

如果存在match_all查询的等价查询，或者没有提供索引子集的查询标准，则 significant_terms 聚合不应用作最顶层的聚合——在这种情况下，前景集与背景集完全相同，因此在要观察的文档频率和从中做出合理建议的文档频率方面没有差异。

另一个考虑因素是 significant_terms 聚合在分片级别产生许多候选结果，这些结果只是在所有分片的所有统计信息合并后，在缩减节点(reducing node)上进行删减。 因此，从内存的角度来说，将大型子聚合嵌入到一个 significant_terms 聚合下是低效和昂贵的，这个聚合稍后会丢弃许多候选词项。 在这些情况下，建议执行两次搜索——第一次是提供一个合理化的 significant_terms 列表，然后将这个词项列表添加到第二次查询中，以便返回并获取所需的子聚合。

结果中提供的包含某个词项的文档数是基于从每个分片返回的样本的总和，因此可能是：

像大多数设计决策一样，这是权衡的基础，我们选择以一些(通常很小的)不准确性为代价来提供高性能。 但是，下一节中介绍的size和shard size设置提供了帮助控制精度级别的工具。

通过添加参数，可以将JLH分数用作重要性分数

	 "jlh": {
	 }

分数是从前景(foreground)和背景(background)集中的文档频率得出的。 流行度的绝对变化(foregroundPercent - backgroundPercent)将有利于常见词项，而流行度的相对变化(foregroundPercent / backgroundPercent)将有利于罕见的词项。 罕见与常见本质上是精确与召回的平衡，因此绝对和相对变化被放大以提供精确和召回之间的最佳点。

在 Manning 等人的 "Information Retrieval" 第13.5.1章中描述的交互信息可以通过添加参数用作重要性分数

	 "mutual_information": {
	      "include_negatives": true
	 }

交互信息不区分描述子集或子集之外的文档的词项。 因此，重要的词项可以包含在子集内出现频率比在子集外出现频率高或低的词项。 要过滤掉子集中出现频率低于子集外文档的词项，可以将include_negatives设置为false。

默认情况下，假设桶中的文档也包含在背景中。 相反，如果你定义了一个自定义背景过滤器，它代表了你要比较的一组不同的文档，请设置:

"background_is_superset": false

如 Manning 等人在"Information Retrieval"第13.5.2章中述，卡方(Chi square)可以通过添加参数用作重要性分数:

	 "chi_square": {
	 }

卡方(Chi square)表现得像交互信息，并且可以用相同的参数include_negatives和background_is_superset来配置。

如 Cilibrasi 和 Vitanyi 在2007年出版的"The Google Similarity Distance"(http://arxiv.org/pdf/cs/0412098v3.pdf)中所描述的，标准Google距离可以通过添加参数用作重要性分数:

	 "gnd": {
	 }

gnd还接受参数background_is_superset

一个简单的计算方法，用前景样本中带有词项的文档数除以背景样本中带有词项的文档数。 默认情况下，这会产生一个大于0、小于1的分数。

这种启发式的好处是，评分逻辑很容易向熟悉“人均”统计数据的人解释。 然而，对于高基数(high cardinality)的字段，这种试探倾向于选择最罕见的词项，例如只出现一次的错别字，因为它们的得分为 1/1 = 100%。

如果一个奖项完全基于获胜的比赛的百分比，一个经验丰富的拳击手很难赢得冠军——根据这些规则，一个只参加过一场比赛的新人是不可能被打败的。 通常需要多次观察来强化一个视图，因此在这些情况下，建议将min_doc_count 和 shard_min_doc_count都设置为更高的值，如 10，以便过滤掉优先出现的低频词项。

	 "percentage": {
	 }

粗略地说，mutual_information偏好高频词项，即使它们在背景中也频繁出现。 例如，在自然语言文本的分析中，这可能导致停用词被选中。 mutual_information不太可能选择像拼写错误这样非常罕见的词项。 gnd偏好高频的共同出现的词项，避免选择停用词。 它可能更适合于同义词检测。 然而，gnd倾向于选择非常罕见的词项，例如，拼写错误的结果。 chi_square和jlh介于两者之间。

很难说不同的试探法中哪一种是最佳选择，因为这取决于重要词项的用途。 有关使用重要词项进行文本分类特征选择的研究的示例，请参考 Yang 和 Pedersen于1997年写的"A Comparative Study on Feature Selection in Text Categorization"。

如果上述方法都不适合你的用例，那么另一个选择是实施自定义重要性的判断方法:

可以通过脚本实现自定义的分数：

	    "script_heuristic": {
              "script": {
	        "lang": "painless",
	        "source": "params._subset_freq/(params._superset_freq - params._subset_freq + 1)"
	      }
            }

脚本可以是内联的(如上例)，索引或存储在磁盘上。 有关选项的详细信息，请参考 脚本文档。

脚本中可用的参数有：

可以设置参数size来定义应该从整个词项列表中返回多少个词项桶。 默认情况下，协调搜索过程的节点将请求每个分片提供各自的前几个词项桶，一旦所有分片做出响应，它将把结果缩减为最终列表，然后返回给客户端。 如果唯一的词项的数量大于size，则返回的列表可能稍有偏差且不准确(可能是词项计数稍有偏差，甚至可能是本应该是前size个桶中的词项没有返回)。

为了确保更好的准确性，使用最终size的倍数作为从每个分片请求的词项数(2 * (size * 1.5 + 10))。 为了手动控制这个设置，可以使用参数shard_size来控制每个分片产生的候选词项的数量。

所有结果合并后，低频词项可能会成为最有趣的词项，因此当参数shard_size设置为明显高于size设置的值时，significant_terms聚合可以生成更高质量的结果。 这确保了在最终选择之前，缩减节点会对大量有希望的候选词项进行综合审查。 很明显，大的候选词项列表将导致额外的网络流量和内存使用，因此这是需要平衡的质量/成本权衡。 如果shard_size设置为-1(默认值)，那么shard_size将根据分片数量和size参数自动估算。

使用min_doc_count选项可以只返回匹配超过配置的命中数的词项：

GET /_search
{
    "aggs" : {
        "tags" : {
            "significant_terms" : {
                "field" : "tag",
                "min_doc_count": 10
            }
        }
    }
}

上面这个聚合将仅返回在10次或更多次点击中出现的tag。默认值为3。

得分高的词项将在一个分片级别上进行收集，并在第二步中与从其他分片收集的词项合并。 然而，分片没有关于可用的全局词项频率的信息。 是否将一个词项添加到候选列表的决定只取决于使用局部分片频率在分片上计算的分数，而不是该词的全局频率。 min_doc_count标准仅在合并所有分片的本地词项统计之后应用。 在某种程度上，在没有非常确定该词项是否将实际达到所需的min_doc_count的情况下，就做出了将该词项添加为候选项的决定。 如果低频但得分高的词项填充了候选列表，这可能导致许多(全局)高频的词项在最终结果中丢失。 为了避免这种情况，可以增加shard_size参数，以允许分片上有更多的候选项。 但是，这会增加内存消耗和网络流量。

参数shard_min_doc_count

参数shard_min_doc_count规定了一个分片相对于min_doc_count是否应该被实际添加到候选列表中的确定性。 只有当词项在集合中的本地分片频率高于shard_min_doc_count时，才会考虑这些词项。 如果你的字典包含许多低频的单词，而你对这些单词不感兴趣(例如拼写错误)，那么你可以设置shard_min_doc_count参数来过滤掉分级别上的候选词，即使在合并本地频率之后，这些候选词也肯定不会达到所需的min_doc_count。 默认情况下，shard_min_doc_count设置为1，除非你显式设置它，否则它不起作用。

背景词项频率的统计信息的默认来源是整个索引，并且可以通过使用background_filter来缩小该范围，以便在更窄的上下文中聚焦于重要的词项：

GET /_search
{
    "query" : {
        "match" : {
            "city" : "madrid"
        }
    },
    "aggs" : {
        "tags" : {
            "significant_terms" : {
                "field" : "tag",
                "background_filter": {
                	"term" : { "text" : "spain"}
                }
            }
        }
    }
}

上述过滤器将有助于集中在 Madrid 市特有的词项上，而不是显示诸如“Spanish”的词项，这些词项在完整索引的全局上下文中是不常见的，但是在包含单词“Spain”的文档子集中是常见的。

可以(尽管很少需要)过滤将为其创建桶的值。 这可以使用基于正则表达式字符串或精确项数组的include和exclude参数来完成。 此功能反映了terms聚合文档中描述的功能。