Lucene评分调整

如何在给定的查询“20”中实现这一点，内容为“something 20”的文档具有类似于

MAX_SCORE

的内容，而其他文档（例如“something 20/12”）具有常规内容

我在玩覆盖相似性算法来简化搜索，但这种行为现在很痛苦。。我需要将lengthNorm因子设置为“1”，因为我不希望有“较短的文档会有更高的分数”的行为（如果没有这个“20”，显然会赢，但不是因为它完全适合，而是因为它较短…）

我的自定义相似性类目前看起来就是这样

public class SimpleSimilarity extends DefaultSimilarity {
    public SimpleSimilarity(){}


    @Override
    public float idf(long docFreq, long numDocs) { return 1f; }



    @Override
    public float tf(float freq) { return 1f; }


    @Override
    public float lengthNorm(FieldInvertState state) {
        return 1f;
    }
}

---

您仍然可以使用自定义相似性来执行此操作。 您不需要较小的文档来获得较高的分数，但您需要分数中的（匹配标记/文档中的总术语）比率

在您的自定义相似性中尝试此长度规范（保持tf/idf等返回1f，如上所述）

getLength（）返回文档中标记的数量

根据相似度得分方程（） lengthNorm（）将为每个匹配的术语添加，您将获得的净比率（文档中匹配的标记/术语总数）

现在，在您的示例中，如果查询为“20”，则返回文档的顺序如下 1） 20（文档只有一个与查询匹配的术语）-分数~1.0 2） 20左右（文档有两个术语和一个匹配项）-分数~0.5

---

3） 大约20/12（文档有三个术语，一个匹配）-分数~0.33

重复？有点不同。我编辑了一份文件的问题内容。如果它不会被标记化等等，“something 20”和“something 20/12”在我查询“20”时可能不会得到任何分数，谢谢您的回复，但它仍然偏向于较短的文档。我希望查询“20”时“something 20”和“something 20”的得分相同（MAX），当然，当您的语料库中的单个文档的大小几乎相似时，这将非常有效。也许你可以在索引时间做点什么？如添加自定义标记器/分析器以将“20/12”保留为一个术语（当前标准分析将此拆分为两个术语）？您的文档中是否有任何独特的模式（比如您对XX/YY类型感兴趣？），如果有，您可以按照此模式设计分析仪。

@Override
public float lengthNorm (FieldInvertState state)
{
    return (float) 1.0 / state.getLength();
}