# 邻接矩阵聚合 一个返回[邻接矩阵](https://en.wikipedia.org/wiki/Adjacency_matrix)形式的桶聚合，该请求提供一个名为filter表达式的集合，类似于filters聚合请求，响应中的每个桶表示交叉滤波器矩阵中的非空单元格。   adjacency_matrix聚合是一个新功能，我们可能会随着我们获得有关其使用的反馈而发展设计。 因此，此功能的API可能以非向后兼容的方式更改 给定名为A，B和C的过滤器，响应将返回具有以下名称的buckets（桶）： | | A | B | C | | --- | --- | --- | --- | | A | A | A&B | A&C | | B |   | B | B&C | | C |   |   | C | 使用由和号字符分隔的两个过滤器名称的组合来标记相交的桶例如A和C。 请注意，响应也不包括“C＆A”桶，因为这将与“A＆C”相同的一组文档。 矩阵被称为对称的，所以我们只返回一半。 为此，我们对过滤器名称字符串进行排序，并始终使用最低的一对作为“＆”分隔符左侧的值。 如果客户端希望使用除＆符号的默认值以外的分隔符字符串，则可以在请求中传递替代分隔符参数。 例如： | `PUT /emails/message/_bulk?refresh` `{ "index" : { "_id" : 1 } }` `{ "accounts" : ["hillary", "sidney"]}` `{ "index" : { "_id" : 2 } }` `{ "accounts" : ["hillary", "donald"]}` `{ "index" : { "_id" : 3 } }` `{ "accounts" : ["vladimir", "donald"]}` `GET emails/message/_search` `{` `"size": 0,` `"aggs" : {` `"interactions" : {` `"adjacency_matrix" : {` `"filters" : {` `"grpA" : { "terms" : { "accounts" : ["hillary", "sidney"] }},` `"grpB" : { "terms" : { "accounts" : ["donald", "mitt"] }},` `"grpC" : { "terms" : { "accounts" : ["vladimir", "nigel"] }}` `}` `}` `}` `}` `}` | 在上面的例子中，我们分析电子邮件，以查看哪些人已经交换了消息。 我们将分别获取每个组的计数，并且还记录已记录交互的组对的消息计数。 响应： | `{` `"took": 9,` `"timed_out": false,` `"_shards": ...,` `"hits": ...,` `"aggregations": {` `"interactions": {` `"buckets": [` `{` `"key":"grpA",` `"doc_count": 2` `},` `{` `"key":"grpA&grpB",` `"doc_count": 1` `},` `{` `"key":"grpB",` `"doc_count": 2` `},` `{` `"key":"grpB&grpC",` `"doc_count": 1` `},` `{` `"key":"grpC",` `"doc_count": 1` `}` `]` `}` `}` `}` | ## 用法 自己可以提供创建无向加权图所需的所有数据。 然而，当与诸如date_histogram的子集合一起使用时，结果可以提供执行 [dynamic network analysis](https://en.wikipedia.org/wiki/Dynamic_network_analysis)（动态网络分析）所需的附加级别的数据，其中随着时间的推移，检查交互变得重要。 ## 局限性 N过滤桶的矩阵可以产生N²/ 2，因此默认最大值为100个过滤器。可以使用index.max_adjacency_matrix_filters索引级别设置更改此设置