Update 30_Most_fields.asciidoc (elasticsearch-cn#481)

110_Multi_Field_Search/30_Most_fields.asciidoc

@@ -1,13 +1,13 @@
 [[most-fields]]
 === 多数字段
 
-全文搜索被称作是 _召回率（Recall）_ 与 _精确率（Precision）_ 的战场： _召回率_ ——返回结果中的所有文档都是相关的；((("most fields queries")))((("multifield search", "most fields queries"))) _精确率_ ——返回结果中没有不相关的文档。目的是在结果的第一页中为用户呈现最为相关的文档。
+全文搜索被称作是 _召回率（Recall）_ 与 _精确率（Precision）_ 的战场： _召回率_ ——返回所有的相关文档；((("most fields queries")))((("multifield search", "most fields queries"))) _精确率_ ——不返回无关文档。目的是在结果的第一页中为用户呈现最为相关的文档。
 
 为了提高召回率的效果，我们扩大搜索范围((("recall", "improving in full text searches")))——不仅返回与用户搜索词精确匹配的文档，还会返回我们认为与查询相关的所有文档。如果一个用户搜索 “quick brown box” ，一个包含词语 `fast foxes` 的文档被认为是非常合理的返回结果。
 
 如果包含词语 `fast foxes` 的文档是能找到的唯一相关文档，那么它会出现在结果列表的最上面，但是，如果有 100 个文档都出现了词语 `quick brown fox` ，那么这个包含词语 `fast foxes` 的文档当然会被认为是次相关的，它可能处于返回结果列表更下面的某个地方。当包含了很多潜在匹配之后，我们需要将最匹配的几个置于结果列表的顶部。
 
-提高全文相关性精度的常用方式是为同一文本建立多种方式的索引，((("relevance", "fine-tuning full text relevance")))每种方式都提供了一个不同的相关度信号 _signal_ 。主字段会包括最广匹配（broadest-matching）形式的词去尽可能的匹配更多的文档。举个例子，我们可以进行以下操作：
+提高全文相关性精度的常用方式是为同一文本建立多种方式的索引，((("relevance", "fine-tuning full text relevance")))每种方式都提供了一个不同的相关度信号 _signal_ 。主字段会以尽可能多的形式的去匹配尽可能多的文档。举个例子，我们可以进行以下操作：
 
 *   使用词干提取来索引 `jumps` 、 `jumping` 和 `jumped` 样的词，将 `jump` 作为它们的词根形式。这样即使用户搜索 `jumped` ，也还是能找到包含 `jumping` 的匹配的文档。
 
@@ -17,7 +17,7 @@
 
 尽管如此，如果我们有两个文档，其中一个包含词 `jumped` ，另一个包含词 `jumping` ，用户很可能期望前者能排的更高，因为它正好与输入的搜索条件一致。
 
-为了达到目的，我们可以将相同的文本索引到其他字段从而提供更为精确的匹配。一个字段可能是为词干未提取过的版本，另一个字段可能是变音过的原始词，第三个可能使用 _shingles_ 提供 <<proximity-matching,词语相似性>> 信息。这些其他的字段作为提高每个文档的相关度评分的信号 _signals_ ，能匹配字段的越多越好。
+为了达到目的，我们可以将相同的文本索引到其他字段从而提供更为精确的匹配。一个字段可能是为词干未提取过的版本，另一个字段可能是变音过的原始词，第三个可能使用 _shingles_ 提供 <<proximity-matching,词语相似性>> 信息。这些附加的字段可以看成提高每个文档的相关度评分的信号 _signals_ ，能匹配字段的越多越好。
 
 一个文档如果与广度匹配的主字段相匹配，那么它会出现在结果列表中。如果文档同时又与 _signal_ 信号字段匹配，那么它会获得额外加分，系统会提升它在结果列表中的位置。