Lucene关于实现Similarity自定义排序
标签： Lucene关于实现Similarity自定义排序 JavaScript博客 51CTO博客
2023-06-23 18:24:05 260浏览
Lucene关于实现Similarity自定义排序，开场白: 作为一个人才网站的搜索功能,不但需要考滤搜索性能与效率，与需要注意用户体验,主要体现于用户对搜索结果
开场白:
作为一个人才网站的搜索功能,不但需要考滤搜索性能与效率，与需要注意用户体验,主要体现于用户对搜索结果的满意程度.大家都知道Lucene的排序中,如果单纯使用Lucene的DefaultSimilarity作为一个相似度的排序,意思是说总体上越相关的记录需要排得越前,但事与愿违.这样使用户体现也表现得相当糟糕.关键字“程序员”标题中也不能保证全部都匹配到(搜索结果来自 www.jobui.com 职友集) [下图]
起因：之很长一段时间我都注重于搜索性能与速度的提高,而对于搜索结果对用户的体验却一直没有太多的关注,现在需要关注一下用户体现这个东西了.同时技术上也作为一些调整.具体表现如下.
1,用户最需要的搜索结果是标题命中.
2,因为我们从事人才招聘行业,所以职位的发布时间需要最新的.
所以经过各部门商量,职位搜索的结果排序应该是,相关度优先,然后才是职位的发布时间倒序.即如果关键字匹配是一定要全部命中了才会排在第一位,然后再是只命中一部分关键字记录.具体如下图,(搜索"php 开发",这样的话,只有php,开发这两个关键字都全部匹配了才会排前.然后全部命中关键字的记录按职位的发布时间来递减.)
开始:主要是继承Lucene中的Similarity作为一个相似度的实现,这里简单介绍一下相关的介绍
主要是几个排序影响因素去想的
在看代码之前先看看我们Lucene排序的一些影响因为,大家可以在搜索的时候，开启Explain的选项,这样就能看得清楚了
比如说,我现在要搜索 "开发工程" 这些关键字,然后就会把每一个Document的得分情况都列出来,大家就知道了,同时大家有没发现,这一个详细情况跟Similarity的需要实现的方法的因素基本都是对应的..比如 idf,tf queryNorm等方法..这样大家就有一个可以参考分析的方法了.
200.0 = (MATCH) sum of:
100.0 = (MATCH) weight(Name:开发^100.0 in 5), product of:
100.0 = queryWeight(Name:开发^100.0), product of:
100.0 = boost
1.0 = idf(docFreq=4, maxDocs=6)
1.0 = queryNorm
1.0 = (MATCH) fieldWeight(Name:开发 in 5), product of:
1.0 = tf(termFreq(Name:开发)=0)
1.0 = idf(docFreq=4, maxDocs=6)
1.0 = fieldNorm(field=Name, doc=5)
100.0 = (MATCH) weight(Name:工程^100.0 in 5), product of:
100.0 = queryWeight(Name:工程^100.0), product of:
100.0 = boost
1.0 = idf(docFreq=2, maxDocs=6)
1.0 = queryNorm
1.0 = (MATCH) fieldWeight(Name:工程 in 5), product of:
1.0 = tf(termFreq(Name:工程)=1)
1.0 = idf(docFreq=2, maxDocs=6)
1.0 = fieldNorm(field=Name, doc=5)
0.0 = (MATCH) weight(Info:开发^0.0 in 5), product of:
0.0 = queryWeight(Info:开发^0.0), product of:
0.0 = boost
1.0 = idf(docFreq=4, maxDocs=6)
1.0 = queryNorm
1.0 = (MATCH) fieldWeight(Info:开发 in 5), product of:
1.0 = tf(termFreq(Info:开发)=2)
1.0 = idf(docFreq=4, maxDocs=6)
1.0 = fieldNorm(field=Info, doc=5)
0.0 = (MATCH) weight(Info:工程^0.0 in 5), product of:
0.0 = queryWeight(Info:工程^0.0), product of:
0.0 = boost
1.0 = idf(docFreq=0, maxDocs=6)
1.0 = queryNorm
1.0 = (MATCH) fieldWeight(Info:工程 in 5), product of:
1.0 = tf(termFreq(Info:工程)=0)
1.0 = idf(docFreq=0, maxDocs=6)
1.0 = fieldNorm(field=Info, doc=5)现在先看看实现 Similarity 类的方法
1. package
2.
3. import
4.
5. public class BaicaiPositionSimilarity extends
6.
7. /** Implemented as
8. * <code>state.getBoost()*lengthNorm(numTerms)</code>, where
9. * <code>numTerms</code> is {@link FieldInvertState#getLength()} if {@link
10. * #setDiscountOverlaps} is false, else it's {@link
11. * FieldInvertState#getLength()} - {@link
12. * FieldInvertState#getNumOverlap()}.
13. *
14. * <p><b>WARNING</b>: This API is new and experimental, and may suddenly
15. * change.</p> */
16. @Override
17. public float
18. final int
19. if
20. numTerms = state.getLength() - state.getNumOverlap();
21. else
22. numTerms = state.getLength();
23. return
24. }
25.
26. /** Implemented as <code>1/sqrt(numTerms)</code>. */
27. @Override
28. public float lengthNorm(String fieldName, int
29. // System.out.println("fieldName:" + fieldName + "\tnumTerms:" + numTerms);
30. // return (float)(1.0 / Math.sqrt(numTerms));
31. return 1.0f;
32. }
33.
34. /** Implemented as <code>1/sqrt(sumOfSquaredWeights)</code>. */
35. @Override
36. public float queryNorm(float
37. // return (float)(1.0 / Math.sqrt(sumOfSquaredWeights));\
38. return 1.0f;
39. }
40.
41. /** Implemented as <code>sqrt(freq)</code>. */
42. // term freq 表示 term 在一个document的出现次数,这里设置为1.0f表示不考滤这个因素影响
43. // @Override
44. // public float tf(float freq) {
45. return 1.0f;
46.
47. }
48.
49. /** Implemented as <code>1 / (distance + 1)</code>. */
50. //这里表示匹配的 term 与 term之间的距离因素,同样也不应该受影响
51. @Override
52. public float sloppyFreq(int
53. return 1.0f;
54. }
55.
56. /** Implemented as <code>log(numDocs/(docFreq+1)) + 1</code>. */
57. //这里表示匹配的docuemnt在全部document的影响因素,同理也不考滤
58. @Override
59. public float idf(int docFreq, int
60. return 1.0f;
61. }
62.
63. /** Implemented as <code>overlap / maxOverlap</code>. */
64. //这里表示每一个Document中所有匹配的关键字与当前关键字的匹配比例因素影响,同理也不考滤.
65. @Override
66. public float coord(int overlap, int
67. return 1.0f;
68. }
69.
70. // Default false
71. protected boolean
72.
73. /** Determines whether overlap tokens (Tokens with
74. * 0 position increment) are ignored when computing
75. * norm. By default this is false, meaning overlap
76. * tokens are counted just like non-overlap tokens.
77. *
78. * <p><b>WARNING</b>: This API is new and experimental, and may suddenly
79. * change.</p>
80. *
81. * @see #computeNorm
82. */
83. public void setDiscountOverlaps(boolean
84. discountOverlaps = v;
85. }
86.
87. /** @see #setDiscountOverlaps */
88. public boolean
89. return
90. }
91. }
按上面的相似度因素影响,基本上都设置为不受其他影响了,现在只剩下了关键字匹配数据的影响了,也就是我们需求中需要的.
然后做一个测试类:
1. package
2.
3. import
4. import
5.
6. import
7. import
8. import
9. import
10. import
11. import
12. import
13. import
14. import
15. import
16. import
17. import
18. import
19. import
20. import
21. import
22. import
23. import
24. import
25.
26. public class
27. public static void
28. try{
29.
30. "./Index";
31. new
32. new
33.
34. boolean isIndex = false; // true:要索引,false:表示要搜索
35.
36. if(isIndex){
37. new IndexWriter(new NIOFSDirectory(new
38. //设置相关度
39.
40. new
41. new Field("Name","java 开发人员", Field.Store.YES, Field.Index.ANALYZED));
42. new Field("Info","招聘 网站开发人员,要求一年或以上工作经验", Field.Store.YES, Field.Index.ANALYZED));
43. new Field("Time","20100201", Field.Store.YES, Field.Index.NOT_ANALYZED));
44. writer.addDocument(doc_0);
45.
46.
47. new
48. new Field("Name","高级开发人员(java 方向)", Field.Store.YES, Field.Index.ANALYZED));
49. new Field("Info","需要有四年或者以上的工作经验,有大型项目实践,java基本扎实", Field.Store.YES, Field.Index.ANALYZED));
50. new Field("Time","20100131", Field.Store.YES, Field.Index.NOT_ANALYZED));
51. writer.addDocument(doc_1);
52.
53.
54. new
55. new Field("Name","php 开发工程师", Field.Store.YES, Field.Index.ANALYZED));
56. new Field("Info","主要是维护公司的网站php开发,能独立完成网站的功能", Field.Store.YES, Field.Index.ANALYZED));
57. new Field("Time","20100201", Field.Store.YES, Field.Index.NOT_ANALYZED));
58. writer.addDocument(doc_2);
59.
60.
61. new
62. new Field("Name","linux 管理员", Field.Store.YES, Field.Index.ANALYZED));
63. new Field("Info","管理及维护公司的linux服务器,职责包括完成mysql数据备份及日常管理,apache的性能调优等", Field.Store.YES, Field.Index.ANALYZED));
64. new Field("Time","20100201", Field.Store.YES, Field.Index.NOT_ANALYZED));
65. writer.addDocument(doc_3);
66.
67.
68. new
69. new Field("Name","lucene开发工作师", Field.Store.YES, Field.Index.ANALYZED));
70. new Field("Info","需要两年或者以上的从事lucene java 开发工作的经验,需要对算法,排序规则等有相关经验,java水平及基础要扎实", Field.Store.YES, Field.Index.ANALYZED));
71. new Field("Time","20100131", Field.Store.YES, Field.Index.NOT_ANALYZED));
72. writer.addDocument(doc_4);
73.
74.
75. new
76. new Field("Name","php 软件工程师", Field.Store.YES, Field.Index.ANALYZED));
77. new Field("Info","具有大量的php开发经验,如熟悉 java 开发,数据库管理则更佳", Field.Store.YES, Field.Index.ANALYZED));
78. new Field("Time","20100130", Field.Store.YES, Field.Index.NOT_ANALYZED));
79. writer.addDocument(doc_5);
80.
81. writer.close();
82. "数据索引完成");
83. else{
84. new IndexSearcher(new NIOFSDirectory(new
85. search.setSimilarity(similarity);
86. "java开发";
87.
88.
89. "Name","Info"};
90.
91. new
92. for(int i=0;i<fiels.length;i++){
93.
94. new IKSegmentation(new StringReader(keyWords), true);
95. null;
96.
97. while((le=se.next())!=null){
98. String tKeyWord = le.getLexemeText();
99. String tFeild = fiels[i];
100. new TermQuery(new
101.
102. if(tFeild.equals("Name")){ //在Name这一个Field需要给大的比重
103. 100.0f);
104. else{
105. 0.0f); //其他的不需要考滤
106. }
107.
108. //关键字之间是 "或" 的关系
109. }
110. }
111. "搜索条件Query:"
112. System.out.println();
113. new Sort(new SortField[]{new SortField(null,SortField.SCORE,false),new SortField("Time", SortField.INT,true)});
114. //先按记录的得分排序,然后再按记录的发布时间倒序
115. 10 , false , true , false , false);
116.
117. long
118. search.search(bq, collector);
119. TopDocs tDocs = collector.topDocs();
120.
121. ScoreDoc sDocs[] = tDocs.scoreDocs;
122.
123. int
124.
125. for(int i=0;i<len;i++){
126. ScoreDoc tScore = sDocs[i];
127. // tScore.score 从Lucene3.0开始已经不能通过这样来得到些文档的得分了
128. int
129. Explanation exp = search.explain(bq, docId);
130.
131. Document tDoc = search.doc(docId);
132. "Name");
133. "Info");
134. "Time");
135.
136. float
137. // System.out.println(exp.toString()); 如果需要打印文档得分的详细信息则可以通过此方法
138. "DocId:"+docId+"\tScore:" + score + "\tName:" + Name + "\tTime:" + Time + "\tInfo:"
139. }
140. l = System.currentTimeMillis() - l;
141. "搜索用时:" + l + "ms");
142. search.close();
143. }
144.
145. catch(Exception ex){
146. ex.printStackTrace();
147. }
148. }
149. }
建立完索引后然后就可以直接搜索了.效果图如下:
可以看到,我们现在搜索 关键字"开发工程", 然后就可以看到DocID:为 0,2为关键字全部命中的文档,然后这两个文档就按时间倒序排了.
然后,DocId 1,4,5的话,就只匹配到部分的关键字,它肯定会比全部命中关键字的记录要排序要后,然后中命中部分关键字的记录又会按发布时间来倒序排了一次
对了，我是用 Lucene3.0 作为开发包的.与Lucene2.XX的很多接口都改了,包括Similarity 的继承类的方法也不同, 所以大家要注思,不过经过测试,只要相同的实现那么效果也是一样的.
注意:从上边的测试结果可以看到一个疑问,这些记录匹配的关键字 开发工程 中,无论是命中全部关键字还是一个,得到的score都是一样的,但是排序的时候却按我们之前设置的意义去排序,理论上来说,只匹配一半的关键字,score会是全部匹配的一半的,这里的话,不知道是否是一个bug.有待继续研究.
好博客就要一起分享哦！分享海报
此处可发布评论
评论（0）展开评论
暂无评论，快来写一下吧
展开评论
