全文检索中近义词、关联词的解决方案

         一直想找到一个好的同义词解决方案，在百度和google查找，大家对于这个问题都只是寥寥数语，不愿讲清，我在javaeye搜此类信息也求不到,后来发了个提问贴也只有浏览数而无回复，不知道这是什么原因，无奈之下我只有自己研究。

         因为没有其它的解决方案可以借鉴，以下纯为我个人的见解。

 

我认为所谓近义词、关联词检索不外乎以下三种形式：

1.类似google suggest,用户输入关键字后自动提示功能。

2.假如“奥运会”的关联词是“北京”，用户输入“奥运会”搜索时，将“奥运会”的搜索结果以及“北京”的搜索结果都搜出来。

3.用户输入“奥运会”搜索，只显示“奥运会”的结果，它的关联词在结果集的底端用“相关搜索”的形式提示给用户。

 

 

这三种方式中看似2和3是类似的，其实还是有些很大区别的,我个人认为在实际的应用中，第3种方式是最多见的。

 

先说说第1种方式

google suggest的在网上可以搜到完整的解决方案，跟我此前想的一样。

建一个用来存储关键字的表

例如：  

create table  KEYS(    
   ITEM_ID varcha2(50) not null,    
   SEARCH_KEY varchar2(100),        
);  

SEARCH_KEY里存储一些检索的关键字，如“奥运”，“奥运会”，“北京奥运会”等.

当用户在文本框敲入时，使用AJAX将当前文本框的内容发到Action，进行下面类似的操作

String key = request.getParameter("inputValue");
String sql = "select * from KEYS as k where k.SEARCH_KEY like '%key%'";

这个办法也就是把当前文本框中的字放到数据库中做模糊查询，比如用户输入“奥”这个字，会从搜出所有包含“奥”字的词，然后将这些词包装好，发回至页面，页面上用JS画出下拉框，将这些包含“奥”字的词填入就可以了。

google做的是右边匹配，即是用的 like 'key%' ,输入“奥”字，会出现所有以“奥”字开头的词的提示。

大家应该注意到google suggest的提示词的最后面都写有“约XXXXX条记录”，我现在唯一能想到的解决方案是，当我们在Action中拿到匹配的词之后，将匹配的词搜索一次即可得出具体记录的条数，其实这样也不耗多少资源。

 

第2种方式

将关键词和关键词所联的词的结果都搜出来

我个人认为这个功能在实际的应用中只需用到其5%就可以了，因为在用户体验方面考虑，我们必须保障搜索结果的质量。关键词的近义词可以在结果页的底端提示给用户，也就是我上边说到的第3种方式。

我所说的只需用到5%的意思是只需为少数的、必须转义的词实现这样的功能

比如搜索“China”,那么“中国”这个词的结果肯定得出现在结果集里，还有比如搜索“08”，那么“2008”的结果也得出现在结果集里，这些都是一些特定情况，其它的词没必要做成这样，只需做提示即可。

现在中文检索一般都是基于词库的检索，实现第2种方式这个功能必须将之前的词库以及分词算法进行修改。

一般的方法是在词库中把同义词写成一行，如将“中国 China”写在同一行，然后修改Token算法（这个大家可以去研究一下，我现在使用的Analyzer包是公司商业上的伙伴提供的测试包，这个测试包已经可以满足很大一部分需求了，我还不知道能不能共享）

其实原理是在索引时将原词和原词的近义词一起索引

具体给大家个例子

有这样一句话  ---- “中国是世界上人口最多的国家”

如果没有为其做同义词，大家可能会索引成这样

[中国][世界][人口][最多][国家]

如果做了同义词，会索引成

[中国][China][世界][人口][最多][国家]

即是说在索引时就已经将“中国”这个词存成[中国][China]了，搜索时无论搜“中国”或是“China”都可以搜到这句话。

其实这个功能相当大一部分是依赖第三方的jar包，说来说去也没多大意思，并且大多数情况下我们需要的并不同这种功能，而是更人性化的查询提示的功能，也就是第3种方式。

 

第3种方式

这种方式是我在原有的系统上改进完成的

原有的系统是 compass + paoding + lucene

由于我不太熟compass的搜索，所以我还是采用的lucene搜索。相信大家对这种搭配的全文检索已经非常熟悉了，paoding的词库是可以自己配置的。

那么怎样在原有的基础实现关键词提示功能呢？？？

我的做法是这样的，我按照paoding词库的特点新建了一个mydictionary.dic文件放在classpath下，里面的内容大致如下。

第1行：奥运会  北京  2008  第29届奥运会

第2行：中国 China 中华人民共和国 中国电信 中国人民银行

........

 

然后在服务器启动时，将mydictionary.dic这个文件中的文字一行行读入，分别做索引

    	InputStream fi = this.getClass().getClassLoader().getResourceAsStream("mydictionary.dic");    	
    	File indexDir = new File("d:\\tong");
    	Analyzer luceneAnalyzer = new StandardAnalyzer();    
        	IndexWriter indexWriter = new IndexWriter(indexDir, luceneAnalyzer,true);    	
	BufferedReader reader = new BufferedReader(new InputStreamReader(fi, "UTF-8"));   
	String line = new String();    	   
	while ((line = reader.readLine()) != null) 
	{   
		Document document = new Document();
		Field FieldName = new Field("line", line,Field.Store.YES, Field.Index.TOKENIZED);
		document.add(FieldName);
		indexWriter.addDocument(document);
	}   
	indexWriter.optimize();
        	indexWriter.close();
	reader.close();    

 

 在搜索时，对用户输入的关键字正常搜索出结果后，对关键字进行第二次搜索，搜的是同义词的索引，得到的结果按空格分开，即可得到所有同义词，然后将同义词发送至页面即可。

	public List getTongYi(String searchword) throws Exception
	{
		List list = new ArrayList();
		Hits hits = null;    
		String queryString = searchword;    
		Query query = null;    
		String result = "";
		IndexSearcher searcher = new IndexSearcher("d:\\tong");    		   
		Analyzer analyzer = new StandardAnalyzer();    
		QueryParser qp = new QueryParser("line", analyzer);    
		query = qp.parse(queryString);    	        
		if (searcher != null)
		{    
		    hits = searcher.search(query);      
		    for(int i=0;i<hits.length();i++)
		    {
		    	Document doc = hits.doc(i);
		    	System.out.println((i+1)+"."+doc.get("line"));
		    	result = doc.get("line");
		    }          
		}
		if(result!=null && !result.equals(""))
		{
			String [] manyresult = result.split(" ");
			for(int i=0;i<manyresult.length;i++)
			{
				if(manyresult[i]!=null && !manyresult[i].trim().equals(""))
				{
					list.add(manyresult[i]);
				}
			}
		}
		return list;    
	}	

  我觉得做同义词索引和搜索的时候最好用StandardAnalyzer，切成单字是最符合的。

 

  写了这么多，如果各位有更好的想法不妨发出来一起研究一下。

  

提点意见，以供讨论

可以将搜索关键词及其命中数量，进行索引存储，这样就不走数据库了

另外，相关词/近义词库的积累，可否优先调用通用搜索引擎（比如google）的suggest接口获取并积累呢？

好像应该用贝叶斯方法的说

你提的方案除了3可以尝试外 其他的方案在大数据量下其实是不可行的

一般的做法是：
1. 算。通过一些规则结合自然语言的一些算法算出哪些是重要性相关的，也就是同义的、近意的。
2. 一个好的搜索结构，一般情况下，不使用lucene等等，而是自己实现一个比如trie的紧凑高效的数据结构。

特别是suggestion，suggest的ajax一般是用户输入的时候定时发送请求 一般一个用户输入一个词，会向服务器发送若干个请求，这样的搜索量还是比较大的。数据库肯定顶不住，更别提like了。

这种东西应该是算法密集型的。

楼上的回答很精确。
关于trie, 你去看我的blog吧。 paoding的算法完全可以通过我提供的的代码取代掉。  算法密集的应用， 如果仅仅是访问不高的网站， 其实lucence就足够了。lucence做个比较大规模的论坛还是没有问题的， 但是中文分词，相关性比较困难。

不知道你的网站的访问量高不高， 如果很多高的话， 你的办法还真是行不通。

lucene提供同义词的处理方法。

整个中文search体系是非常复杂的， 如果很简单， 也不知道跑出来几个baidu类似的公司了。 别跟我说其他的几个， 好多都是麒麟操作系统的来源。

哪有免费的同义词词典可以下载啊？

这个Google suggest每输入几个字，到数据库查询一下，而且还用 ‘like’，这样效率不是很低啊，有没有更好的办法啊

其实看你做什么了。

如果做垂直专业类搜索，那么其特点专业用语，简写，拼写准确这些为主，建议人工为主（当然有现有资源那就充分利用）

如果做类似谷歌百度类海量搜索，我觉得必须要考虑分词的智能性，也就是自动识别新鲜词语，靠字典+算法+人工修正来完成，应该能达到比较好的分词。当然说起来容易做起来难。

我认为baidu和google都还在研究怎么才能更加精确，用户在最短时间能快速获得最想要的信息。所以我不相信使用现有任何一种算法就能完成很精确的分词。

好的分词不是几个算法，一个程序就能搞定的，它需要不断研究分析，尤其是中文。

以上为我个人观点，呵呵，有点打击一些人积极性了。