Java 使用ApacheLucene创建引用向量

我们正在开发一个检测剽窃的应用程序。我们正在使用ApacheLucene进行文档索引。我需要使用我们创建的索引为每个文档创建一个发生向量。我想知道是否有一种方法可以使用ApacheLucene实现这一点。我试着用矢量，但找不到合适的方法。我们非常感谢您的任何建议或帮助

---

谢谢。

如果您想实现这一点，可以使用RAMDirectory来存储您的文档（假设您只想对一个文档执行此操作）。 然后，您可以使用IndexReader.termDocs（术语）获取此目录的术语文档，其中包含文档id（如果存储一个文档，则仅一个）和文档中术语的频率。 然后可以对每个术语执行此操作，以创建发生向量

当然，您也可以对多个文档执行此操作，并一次创建多个发生向量

---

我确信您希望在documents=>SimpleDocuments中找到相似之处，您可能希望了解Lucene的更相似的实现：

我认为，

TermFreqVector

类可以满足您的需要。它甚至可以给你术语的位置，这样你就可以检测出有序的单词序列。要生成向量，您需要在索引时如下指定：

String text = "text you want to index; you could also use a Reader here";
Document doc = new Document();
doc.add(new Field("text", text, Store.NO, Index.ANALYZED, TermVector.WITH_POSITIONS));

TermPositionVector v = (TermPositionVector) this.reader.getTermFreqVector(docnum, this.textField);
int wordIndex = v.indexOf("want");
int[] positions = v.getTermPositions(wordIndex); // should return the position(s) of the word "want" in your text

在检索时，您可以运行短语查询（例如，“abc”~25）或

SpanQuery

s（必须以编程方式构造）

要从索引中获取术语频率和位置信息，请执行以下操作：

String text = "text you want to index; you could also use a Reader here";
Document doc = new Document();
doc.add(new Field("text", text, Store.NO, Index.ANALYZED, TermVector.WITH_POSITIONS));

TermPositionVector v = (TermPositionVector) this.reader.getTermFreqVector(docnum, this.textField);
int wordIndex = v.indexOf("want");
int[] positions = v.getTermPositions(wordIndex); // should return the position(s) of the word "want" in your text

---

你能用几句话描述一下这个发生向量应该是什么样子吗？您的意思是检索一组定义术语出现在中的文档吗？csupnig，谢谢您的考虑。假设有一个单词w={a，b，c，d，e}的词汇表，如果文档D1={a，b，c}中的单词a写了2次，b写了2次，c写了一次。那么发生向量应该是V（D1）=。谢谢