针对lucene检索结果进行排序.docx
《针对lucene检索结果进行排序.docx》由会员分享，可在线阅读，更多相关《针对lucene检索结果进行排序.docx（9页珍藏版）》请在冰豆网上搜索。
针对lucene检索结果进行排序
Lucene3.0之结果排序（原理篇）
传统上，人们将信息检索系统返回结果的排序称为"相关排序" （relevanceranking） ，隐含其中各条目的顺序反映结果和查询的相关程度。
1、 基本排序原理
① 向量空间模型
GeraldSalton 等在 30 多年前提出的"向量空间模型" （VectorSpaceModel，VSM）[SaltonandLesk,1968,Salton,1971]。
该模型的基础是如下假设：
文档d和查询q的相关性可以由它们包含的共有词汇情况来刻画。
经典的TF*IDF词项权重的计算公式：
给定某种权重的定量设计，求文档和查询的相关性就变成了求 d 和 q 向量的
某种距离，最常用的是余弦（cos）距离
② 链接分析PageRank原理
链接分析技术主要基于两个假设：
1）一个网页被多次引用，则它可能是很重要的，如果被重要的网页引用，说明自身也是重要的，网页的重要性在网页之间可以传递。
2）随机冲浪模型：
认为假定用户一开始随机地访问网页集合中的一个网页，然和跟随网页的链接向前浏览网页，不会退浏览，那么浏览下一个网页的概率是被浏览网页的量化的重要程度值。
按照以上的用户行为模型，每个网页可能被访问到的次数越多就越重要，这样的"可能被访问的次数"也就定义为网页的权值，PageRank值。
如何计算这个权值呢？
PageRank采用以下公式进行计算：
其中wj代表第j个网页的权值；lij只取0、1值，代表从网页i到网页j是否存在链接；ni代表网页i有多少个连向其它网页的链接；d代表"随机冲浪"中沿着链接访问网页的平均次数。
选择合适的初始数值，递归的使用上述公式，即可得到理想的网页权值。
2、 Lucene排序计算公式
Lucene的排序公式如下：
1）
，协调因子，表示文档（d）中Term（t）出现的百分比，也就是计算查询条件（q）中不同Term（t），以及在文档中出现的数量之和，两者的数量之比。
通常在文档中出现查询Term种类越多，分值越高。
2）
，调节因子，不影响索引排序情况，只在检索时使用，主要是用来让排序结果在不同的查询条件之间可以比较。
这个条件是在搜索时候计算。
数值是根据每一个查询项权重的平方和计算得到。
计算公式如下：
3）
，文档频率，表示查询词中，每个Term在对应的结果文档中（d）中出现的次数。
查询词出现的次数越多，表示出现频率越高，文档的检索得分就越高。
为了避免获得更大的相关性函数，实际中，使用次数的平方跟作为文档频率tf的值，避免数值过度放大。
4）
，逆文档频率，检索匹配文档数量的反向函数。
按照信息理论，文档出现的次数越少，每一篇文档的信息量就会越大。
所以匹配的文档数越少，得分就越高。
而索引库中文档总数越多，找到一篇目标文档难度越大，相应的信息量也会比较大。
5）
，长度因子，每个索引词汇在域中的总体长度决定的，这个参数在索引建立时确定。
数值根据文档中实际具有的索引项个数确定。
检索词长度在文档总长度中占的比例越大，长度因子的数值也越大。
Lucene3.0之结果排序（操作篇）
1、 Lucene相关排序流程
2、 Lucene相关类
① Query类：
一个抽象类，Lucene检索结果最终评分的总控制中心。
其它评分有关的类和对象都是由Query类来管理和生产。
② Weight类接口：
定义Query权重计算的一个实现接口，可以被重用。
Weight类可以用来生成Scorer类，也可以解析评分的详细信息，另外还定义了获取Query权值的方法。
③ Scorer类：
Lucene评分机制的核心类。
类的定义是抽象类，提供的一些抽象基本的计分功能方法提供所有的评分类实现，同时还定义了评分的详细解析方法，Scorer类内部有一个Similarity对象，用来指明计算公式。
④ Scorer类：
Lucene相似度计算的核心抽象类。
Similarity类主要处理评分计算，系统缺省使用类DefaultSimilarity类对象
3、 排序控制
使用Sort对象定制排序，通过改变文档Boost值来改变排序结果以及使用自定义的Similarity方法更改排序
4、 文档Boost加权排序
① Boost是指索引建立过程中，给整篇文档或者文档的某一特定域设定的权值因子，在检索时，优先返回分数高的。
Document和Field两重Boosting参数。
通过Document对象的setBoost（）方法和Field对象的setBoost（）方法。
不同在于前者对文档中每一个域都修改了参数，而后者只针对指定域进行修改。
文档加权=Document-boosting*Field-boosting，默认情况下为1，一般不做修改。
② Sort对象检索排序
Sort使用时通过实例化对象作为参数，通过Searcher类的search接口来实现。
Sort支持的排序功能以文档当中的域为单位，通过这种方法，可以实现一个或者多个不同域的多形式的值排序。
实际使用排序对象Sort进行排序。
主要有两种模式，一种是以字符串表示文档域的名称作为参数指定域排序，一种是直接以排序域的包装域的包装类作为参数进行排序。
Sort对象使用比较简单，只需要在对文档索引进行检索时，在检索器的Search方法中带Sort对象作为参数即可。
1） Sort对象相关性排序
按照相关性排序时最基本的结果排序方法，使用Sort对象无参数构造函数完成的排序效果相当于Lucene默认的按相关性降序排序。
2） Sort对象文档编号排序
某些应用场合需要对所有符合匹配度的结果，按照文档内部编号排序输出。
使用Sort对象的静态实例Sort.INDEXORDER来实现
3） Sort对象独立域排序
在检索过程中，把检索结果按照某一个特定域排序，非常重要。
在使用搜索引擎过程中，有时会选择使用时间排序，而在搜索引擎库中，检索词完全是另外一个域的内容，与时间没有任何关系。
这种应用中，检索关键词的匹配仍然是首要因素，匹配太低或者不匹配的文档直接不必处理，而匹配的文档则需进一步排序输出。
指定的排序域并没有进行特别限制，可以是检索词的关联域，也可以是文档中的任意其它域。
4） Sort对象联合域排序
多个文档域联合排序时，需要注意文档域的添加次序。
排序的结果先按照第一个域排序，然后第二个域作为次要关键字排序。
开发时，需要根据自己的需要选择合适的次序。
5） Sort对象逆向排序
Sort（field,true）或者Sort（field,false）实现升降序排序。
Lucene3.0之结果排序（示例篇）
这个例子是根据《开发自己的搜索引擎：
Lucene2.0+Heritrix》中的例子改的，由于原书中是使用Lucene2.0，所以代码有部分改动。
packagesortApp;
importjava.io.File;
importorg.apache.lucene.analysis.standard.StandardAnalyzer;
importorg.apache.lucene.document.Document;
importorg.apache.lucene.document.Field;
importorg.apache.lucene.index.IndexWriter;
importorg.apache.lucene.index.Term;
importorg.apache.lucene.index.IndexWriter.MaxFieldLength;
importorg.apache.lucene.search.IndexSearcher;
importorg.apache.lucene.search.ScoreDoc;
importorg.apache.lucene.search.Sort;
importorg.apache.lucene.search.TermQuery;
importorg.apache.lucene.store.Directory;
importorg.apache.lucene.store.FSDirectory;
importorg.apache.lucene.util.Version;
publicclassSortTest{
publicstaticvoidmakeItem（IndexWriterwriter,StringbookNumber,
StringbookName,StringpublishDate）throwsException{
writer.setUseCompoundFile（false）;
Documentdoc=newDocument（）;
Fieldf1=newField（"bookNumber",bookNumber,Field.Store.YES,
Field.Index.NOT_ANALYZED）;
Fieldf2=newField（"bookName",bookName,Field.Store.YES,
Field.Index.ANALYZED）;
Fieldf3=newField（"publishDate",publishDate,Field.Store.YES,
Field.Index.NOT_ANALYZED）;
doc.add（f1）;
doc.add（f2）;
doc.add（f3）;
writer.addDocument（doc）;
}
publicstaticvoidmain（String[]args）{
StringIndex_Store_Path="D:
/index/1";
Filefile=newFile（Index_Store_Path）;
try{
DirectoryIndex=FSDirectory.open（file）;
IndexWriterwriter=newIndexWriter（Index,newStandardAnalyzer（Version.LUCENE_CURRENT）,true,
MaxFieldLength.LIMITED）;
writer.setUseCompoundFile（false）;
Documentdoc1=newDocument（）;
Fieldf11=newField（"bookNumber","0000001",Field.Store.YES,Field.Index.NOT_ANALYZED）;
Fieldf12=newField（"bookName","钢铁是怎样炼成的",Field.Store.YES,Field.Index.ANALYZED）;
Fieldf13=newField（"publishDate","1970-01-01",Field.Store.YES,Field.Index.NOT_ANALYZED）;
doc1.add（f11）;
doc1.add（f12）;
doc1.add（f13）;
Documentdoc2=newDocument（）;
Fieldf21=newField（"bookNumber","0000002",Field.Store.YES,Field.Index.NOT_ANALYZED）;
Fieldf22=newField（"bookName","钢铁战士",Field.Store.YES,Field.Index.ANALYZED）;
Fieldf23=newField（"publishDate","1970-01-01",Field.Store.YES,Field.Index.NOT_ANALYZED）;
doc2.add（f21）;
doc2.add（f22）;
doc2.add（f23）;
Documentdoc3=newDocument（）;
Fieldf31=newField（"bookNumber","0000003",Field.Store.YES,Field.Index.NOT_ANALYZED）;
Fieldf32=newField（"bookName","篱笆女人和狗",Field.Store.YES,Field.Index.ANALYZED）;
Fieldf33=newField（"publishDate","1970-01-01",Field.Store.YES,Field.Index.NOT_ANALYZED）;
doc3.add（f31）;
doc3.add（f32）;
doc3.add（f33）;
Documentdoc4=newDocument（）;
Fieldf41=newField（"bookNumber","0000004",Field.Store.YES,Field.Index.NOT_ANALYZED）;
Fieldf42=newField（"bookName","女人是水做的",Field.Store.YES,Field.Index.ANALYZED）;
Fieldf43=newField（"publishDate","1970-01-01",Field.Store.YES,Field.Index.NOT_ANALYZED）;
doc4.add（f41）;
doc4.add（f42）;
doc4.add（f43）;
Documentdoc5=newDocument（）;
Fieldf51=newField（"bookNumber","0000005",Field.Store.YES,Field.Index.NOT_ANALYZED）;
Fieldf52=newField（"bookName","英雄儿女",Field.Store.YES,Field.Index.ANALYZED）;
Fieldf53=newField（"publishDate","1970-01-01",Field.Store.YES,Field.Index.NOT_ANALYZED）;
doc5.add（f51）;
doc5.add（f52）;
doc5.add（f53）;
Documentdoc6=newDocument（）;
Fieldf61=newField（"bookNumber","0000006",Field.Store.YES,Field.Index.NOT_ANALYZED）;
Fieldf62=newField（"bookName","白毛女",Field.Store.YES,Field.Index.ANALYZED）;
Fieldf63=newField（"publishDate","1970-01-01",Field.Store.YES,Field.Index.NOT_ANALYZED）;
doc6.add（f61）;
doc6.add（f62）;
doc6.add（f63）;
Documentdoc7=newDocument（）;
Fieldf71=newField（"bookNumber","0000007",Field.Store.YES,Field.Index.NOT_ANALYZED）;
Fieldf72=newField（"bookName","我的兄弟和女儿",Field.Store.YES,Field.Index.ANALYZED）;
Fieldf73=newField（"publishDate","1970-01-01",Field.Store.YES,Field.Index.NOT_ANALYZED）;
doc7.add（f71）;
doc7.add（f72）;
doc7.add（f73）;
writer.addDocument（doc1）;
writer.addDocument（doc2）;
writer.addDocument（doc3）;
writer.addDocument（doc4）;
writer.addDocument（doc5）;
writer.addDocument（doc6）;
writer.addDocument（doc7）;
writer.optimize（）;
writer.close（）;
IndexSearchersearcher=newIndexSearcher（Index）;
TermQueryq=newTermQuery（newTerm（"bookName","女"））;
ScoreDoc[]hits=searcher.search（q,null,1000,Sort.RELEVANCE）.scoreDocs;
for（inti=0;i DocumenthitDoc=searcher.doc（hits[i].doc）;
System.out.print（"书名：
"）;
System.out.println（hitDoc.get（"bookName"））;
System.out.print（"得分：
"）;
System.out.println（hits[i].score）;
System.out.print（"内部ID：
"）;
System.out.println（hits[i].doc）;
System.out.print（"书号：
"）;
System.out.println（hitDoc.get（"bookNumber"））;
System.out.print（"发行日期：
"）;
System.out.println（hitDoc.get（"publishDate"））;
}
}catch（Exceptione）{
e.printStackTrace（）;
}
}
}
运行结果：
Sort属性设为RELEVANCE：
Sort属性设为INDEXORDE：
去除Sort参数后：
升级会员 