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
- package com.kernaling;
- import org.apache.lucene.index.FieldInvertState;
- public class BaicaiPositionSimilarity extends Similarity {
- /** Implemented as
- * <code>state.getBoost()*lengthNorm(numTerms)</code>, where
- * <code>numTerms</code> is {@link FieldInvertState#getLength()} if {@link
- * #setDiscountOverlaps} is false, else it's {@link
- * FieldInvertState#getLength()} - {@link
- * FieldInvertState#getNumOverlap()}.
- *
- * <p><b>WARNING</b>: This API is new and experimental, and may suddenly
- * change.</p> */
- @Override
- public float computeNorm(String field, FieldInvertState state) {
- final int numTerms;
- if (discountOverlaps)
- numTerms = state.getLength() - state.getNumOverlap();
- else
- numTerms = state.getLength();
- return (state.getBoost() * lengthNorm(field, numTerms));
- }
- /** Implemented as <code>1/sqrt(numTerms)</code>. */
- @Override
- public float lengthNorm(String fieldName, int numTerms) {
- // System.out.println("fieldName:" + fieldName + "\tnumTerms:" + numTerms);
- // return (float)(1.0 / Math.sqrt(numTerms));
- return 1.0f;
- }
- /** Implemented as <code>1/sqrt(sumOfSquaredWeights)</code>. */
- @Override
- public float queryNorm(float sumOfSquaredWeights) {
- // return (float)(1.0 / Math.sqrt(sumOfSquaredWeights));\
- return 1.0f;
- }
- /** Implemented as <code>sqrt(freq)</code>. */
- // 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
- // @Override
- // public float tf(float freq) {
- return 1.0f;
- }
- /** Implemented as <code>1 / (distance + 1)</code>. */
- //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
- @Override
- public float sloppyFreq(int distance) {
- return 1.0f;
- }
- /** Implemented as <code>log(numDocs/(docFreq+1)) + 1</code>. */
- //这里表示匹配的docuemnt在全部document的影响因素,同理也不考滤
- @Override
- public float idf(int docFreq, int numDocs) {
- return 1.0f;
- }
- /** Implemented as <code>overlap / maxOverlap</code>. */
- //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.
- @Override
- public float coord(int overlap, int maxOverlap) {
- return 1.0f;
- }
- // Default false
- protected boolean discountOverlaps;
- /** Determines whether overlap tokens (Tokens with
- * 0 position increment) are ignored when computing
- * norm. By default this is false, meaning overlap
- * tokens are counted just like non-overlap tokens.
- *
- * <p><b>WARNING</b>: This API is new and experimental, and may suddenly
- * change.</p>
- *
- * @see #computeNorm
- */
- public void setDiscountOverlaps(boolean v) {
- discountOverlaps = v;
- }
- /** @see #setDiscountOverlaps */
- public boolean getDiscountOverlaps() {
- return discountOverlaps;
- }
- }
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:
- package com.kernaling;
- import java.io.File;
- import java.io.StringReader;
- import org.apache.lucene.document.Document;
- import org.apache.lucene.document.Field;
- import org.apache.lucene.index.IndexWriter;
- import org.apache.lucene.index.Term;
- import org.apache.lucene.index.IndexWriter.MaxFieldLength;
- import org.apache.lucene.search.BooleanClause;
- import org.apache.lucene.search.BooleanQuery;
- import org.apache.lucene.search.Explanation;
- import org.apache.lucene.search.IndexSearcher;
- import org.apache.lucene.search.ScoreDoc;
- import org.apache.lucene.search.Sort;
- import org.apache.lucene.search.SortField;
- import org.apache.lucene.search.TermQuery;
- import org.apache.lucene.search.TopDocs;
- import org.apache.lucene.search.TopFieldCollector;
- import org.apache.lucene.store.NIOFSDirectory;
- import org.wltea.analyzer.IKSegmentation;
- import org.wltea.analyzer.Lexeme;
- import org.wltea.analyzer.lucene.IKAnalyzer;
- public class LuceneSortSample {
- public static void main(String[] args) {
- try{
- String path = "./Index";
- IKAnalyzer analyzer = new IKAnalyzer();
- MySimilarity similarity = new MySimilarity();
- boolean isIndex = false; // true:要索引,false:表示要搜索
- if(isIndex){
- IndexWriter writer = new IndexWriter(new NIOFSDirectory(new File(path)),analyzer,MaxFieldLength.LIMITED);
- writer.setSimilarity(similarity); //设置相关度
- Document doc_0 = new Document();
- doc_0.add(new Field("Name","java 开发人员", Field.Store.YES, Field.Index.ANALYZED));
- doc_0.add(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));
- doc_0.add(new Field("Time","20100201", Field.Store.YES, Field.Index.NOT_ANALYZED));
- writer.addDocument(doc_0);
- Document doc_1 = new Document();
- doc_1.add(new Field("Name","高级开发人员(java 方向)", Field.Store.YES, Field.Index.ANALYZED));
- doc_1.add(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));
- doc_1.add(new Field("Time","20100131", Field.Store.YES, Field.Index.NOT_ANALYZED));
- writer.addDocument(doc_1);
- Document doc_2 = new Document();
- doc_2.add(new Field("Name","php 开发工程师", Field.Store.YES, Field.Index.ANALYZED));
- doc_2.add(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));
- doc_2.add(new Field("Time","20100201", Field.Store.YES, Field.Index.NOT_ANALYZED));
- writer.addDocument(doc_2);
- Document doc_3 = new Document();
- doc_3.add(new Field("Name","linux 管理员", Field.Store.YES, Field.Index.ANALYZED));
- doc_3.add(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));
- doc_3.add(new Field("Time","20100201", Field.Store.YES, Field.Index.NOT_ANALYZED));
- writer.addDocument(doc_3);
- Document doc_4 = new Document();
- doc_4.add(new Field("Name","lucene开发工作师", Field.Store.YES, Field.Index.ANALYZED));
- doc_4.add(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));
- doc_4.add(new Field("Time","20100131", Field.Store.YES, Field.Index.NOT_ANALYZED));
- writer.addDocument(doc_4);
- Document doc_5 = new Document();
- doc_5.add(new Field("Name","php 软件工程师", Field.Store.YES, Field.Index.ANALYZED));
- doc_5.add(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));
- doc_5.add(new Field("Time","20100130", Field.Store.YES, Field.Index.NOT_ANALYZED));
- writer.addDocument(doc_5);
- writer.close();
- System.out.println("数据索引完成");
- }else{
- IndexSearcher search = new IndexSearcher(new NIOFSDirectory(new File(path)));
- search.setSimilarity(similarity);
- String keyWords = "java开发";
- String fiels[] = {"Name","Info"};
- BooleanQuery bq = new BooleanQuery();
- for(int i=0;i<fiels.length;i++){
- IKSegmentation se = new IKSegmentation(new StringReader(keyWords), true);
- Lexeme le = null;
- while((le=se.next())!=null){
- String tKeyWord = le.getLexemeText();
- String tFeild = fiels[i];
- TermQuery tq = new TermQuery(new Term(fiels[i], tKeyWord));
- if(tFeild.equals("Name")){ //在Name这一个Field需要给大的比重
- tq.setBoost(100.0f);
- }else{
- tq.setBoost(0.0f); //其他的不需要考滤
- }
- bq.add(tq, BooleanClause.Occur.SHOULD); //关键字之间是 "或" 的关系
- }
- }
- System.out.println("搜索条件Query:" + bq.toString());
- System.out.println();
- Sort sort = new Sort(new SortField[]{new SortField(null,SortField.SCORE,false),new SortField("Time", SortField.INT,true)});
- //先按记录的得分排序,然后再按记录的发布时间倒序
- TopFieldCollector collector = TopFieldCollector.create(sort , 10 , false , true , false , false);
- long l = System.currentTimeMillis();
- search.search(bq, collector);
- TopDocs tDocs = collector.topDocs();
- ScoreDoc sDocs[] = tDocs.scoreDocs;
- int len = sDocs.length;
- for(int i=0;i<len;i++){
- ScoreDoc tScore = sDocs[i];
- // 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
- int docId = tScore.doc;
- Explanation exp = search.explain(bq, docId);
- Document tDoc = search.doc(docId);
- String Name = tDoc.get("Name");
- String Info = tDoc.get("Info");
- String Time = tDoc.get("Time");
- float score = exp.getValue();
- // 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
- System.out.println("DocId:"+docId+"\tScore:" + score + "\tName:" + Name + "\tTime:" + Time + "\tInfo:" + Info);
- }
- l = System.currentTimeMillis() - l;
- System.out.println("搜索用时:" + l + "ms");
- search.close();
- }
- }catch(Exception ex){
- ex.printStackTrace();
- }
- }
- }
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.
转自:http://kernaling-wong.iteye.com/blog/586043
相关推荐
在 Lucene 中,我们可以创建一个继承自 `org.apache.lucene.search.Similarity` 类的子类,重写其中的方法来实现自定义的评分逻辑。`Similarity` 类是 Lucene 中用于计算评分的核心接口,包含了诸如 `lengthNorm`...
通过Sort对象可定制排序,如改变文档的Boost值或使用自定义的Similarity方法。Boost值可以在文档级别或字段级别设置,以影响文档的排名。文档Boosting乘以Field-Boosting来计算最终的加权值,如果未特别设置,通常为...
`org.apache.lucene.search.Scorer`和`org.apache.lucene.search.similarity.Similarity`类参与评分计算。 6. **更新与删除**:Lucene支持对索引进行修改,`IndexWriter`类提供了添加、删除和更新文档的方法。 7. ...
7. **高级功能**:Lucene还包括多线程支持、近实时搜索、自定义排序、过滤器(`Filter`)和拦截器(`Collector`)等高级特性,允许开发者进行更复杂的检索策略设计。 8. **扩展性**:Lucene本身只是一个库,开发者...
Lucene支持基于文档字段的排序,这可以通过`Sort`类实现。默认的排序依据是文档的相关性分数(由`Similarity`和`TF-IDF`算法计算得出)。用户还可以自定义评分函数以适应特定的业务场景。 6. **近实时搜索** 通过...
10. **扩展与自定义**:Lucene允许开发者根据需求扩展其功能,如自定义`Similarity`类以改变评分算法,或实现新的`TokenStream`以支持特殊格式的文本。 通过对这些源码的学习,开发者不仅能掌握Lucene的基本用法,...
- **结果排序**:根据文档的评分(Score)对搜索结果进行排序,评分计算涉及到 `Similarity` 类的实现。 - **结果获取**:最后,使用 `Document` 对象从索引中读取搜索结果中的详细信息。 **3. Lucene 源码学习...
为了自定义评分公式,Lucene提供了一些接口,如`similarity`和`similarity.Similarity`。你可以创建自己的相似度类,覆盖这些方法来改变TF、DF或IDF的计算方式,或者添加新的评分因子。例如,你可以实现一个更注重...
Lucene允许开发者自定义`Analyzer`、`Tokenizer`、`Filter`等组件,以适应各种语言和文本格式的处理需求。此外,通过调整缓存策略、使用多线程、优化内存分配等方式,可以进一步提升Lucene的性能。 总结,Lucene ...
在Lucene 2.1中,有StandardAnalyzer、SimpleAnalyzer和StopAnalyzer等默认实现,开发者可以根据实际需求自定义分析器。 2. **Document**: 一个Document对象用于存储一个文档的所有信息,比如字段(Field)和值。每...
例如,通过Spring集成Lucene,可以轻松地在Web应用中实现全文搜索功能。 五、优化与维护 1. **内存管理**:合理配置缓存,平衡搜索性能与内存消耗。 2. **磁盘I/O优化**:选择合适的存储目录,避免频繁的磁盘操作...
4. 自定义评分函数:通过实现自定义的Similarity类,可以调整评分策略,满足特定的搜索需求。 总结,Lucene作为一款强大的全文检索库,不仅提供了高效的索引和搜索功能,还具有高度的灵活性和可扩展性,使得开发者...
实现常数TF相似性,开发者通常需要自定义Lucene的`Similarity`类。在Elasticsearch中,这可以通过设置索引模板或者在创建索引时指定`similarity`参数来完成。例如,可以定义一个名为`constant_tf_similarity`的...
- **评分器(Similarity)**:定义了如何根据文档的相关性对搜索结果进行排序,可以自定义实现以适应特定需求。 3. **高级特性** - **多字段搜索**:允许在多个字段上进行查询,通过设定字段权重来调整不同字段的...
`Similarity`接口定义了评分算法,如TF-IDF,可以自定义实现以满足特定需求。 5. **内存与磁盘索引** Lucene支持两种存储方式:内存索引(RAMDirectory)和磁盘索引(如FSDirectory)。内存索引适用于临时或测试...
Lucene的搜索结果排序基于一个名为评分(Score)的机制。评分是根据查询词在文档中的出现频率、位置等因素计算得出的,高评分意味着文档与查询更匹配。开发者还可以通过定制Similarity类来调整评分算法,以满足特定...
例如,可以自定义`Similarity`类来调整结果的评分策略。 8. **解析常见文档格式**:Lucene支持解析多种常见的文档格式,如PDF、HTML、Word等,以便从中提取文本进行索引。 9. **工具和扩展**:除了核心库,Lucene...
Lucene提供丰富的API供开发者扩展,例如自定义`Filter`和`Collector`以实现特定的搜索过滤和结果收集。此外,通过调整分析器、相似度算法和缓存策略,可以对搜索性能进行优化。 10. **学习资源** 学习Lucene源码...