邻近搜索通过允许用户指定某些词语必须在文档中彼此靠近出现来改进查询结果。这减少了词语存在但不相关的非相关匹配，因为它们相距太远。例如，在搜索引擎中搜索 "data analysis"~5 将找到“data”和“analysis”在彼此五个词以内出现的文档。这比简单的关键词搜索更精确，后者可能会返回词语分散在不相关部分中的文档。通过强制邻近性，结果更能反映用户的用户意图，特别是在技术文档、研究论文或日志文件等词语关系很重要的场景中。
一个主要好处是，邻近性在保留灵活性的同时过滤掉了噪音。例如，在法律文档中搜索 "confidentiality agreement"~10 时，邻近性确保词语在上下文中是相关的，避免了“confidentiality”出现在页脚而“agreement”出现在页眉的匹配。与精确短语搜索（例如，"confidentiality agreement"）不同，邻近性允许细微的变化，例如介于词语之间的“and”或“for”等词。这在自然语言处理 (NLP) 任务中非常有用，因为不能保证严格的措辞。开发者可以使用 Elasticsearch 短语查询中的 slop 参数或 PostgreSQL 的全文搜索运算符（<-> 表示相邻词语）来实现此功能。这些特性允许用户在不过度限制查询的情况下平衡特异性和召回率。
邻近性还在领域特定的应用中增强了相关性。在电子商务中，搜索 "wireless charger"~3 可以优先显示产品描述句子中词语相近的产品，从而改善客户体验。对于代码搜索，像 "error_handler log"~5 这样的查询可能会定位靠近日志语句的错误处理逻辑，有助于调试。然而，邻近性需要仔细调整：过窄的范围（例如，~1）可能会遗漏有效结果，而过宽的范围（例如，~20）则会重新引入噪音。索引策略，例如位置索引（跟踪文档中词语的位置），对于性能至关重要。开发者应针对真实数据测试邻近阈值，以优化准确性和效率，确保搜索结果符合用户期望，同时不消耗过多系统资源。
