（carrot）集群在solr中是如何工作的？

我已经运行了Lucene/Solr4来测试不同的特性，还有“集群”。 目前，有100万个文档被编入索引。每个文档都有以下字段：

ID (unique Key) Example1: 10245
               Example2: 24974
TOPIC (Keywords of the document) Example1: "disaster/japan/nuclear power station"
                                 Example2: "world/japan/nuclear power"
HEADLINE (1 line of text): Example1: "explosion at nuclear power plant in japan"
                           Example2: "news about japans nuclear power plant"
TEXT (the full text): "In the Japanese nuclear power plant in Fukushima..."

所有字段都已编制索引并存储，例如仅编制索引而未存储的文本。 我使用以下特定配置：

  <str name="carrot.title">TOPIC</str>
   <str name="carrot.snippet">HEADLINE</str>

主题
大字标题

如果你看你看到的例子，主题是不同的，但日本是相同的。是否可以这样配置solr/carrot，即example1和example2将位于一个集群中？因为匹配的“日本”

此外，可能还有第三个主题，如“新闻/核电”，里面没有“日本”，但标题和文字使用的是：日本发电厂。为了在一个集群中接收这3条新闻，什么solr/carrot配置是相关的

---

谢谢大家!

Carrot2设计用于对自然/非结构化文本进行聚类，这样的算法很少能产生人类认为完美的结果。不幸的是，这样的算法也很难“调试”——它们产生的集群取决于许多因素，比如文档中出现单词的频率。在您的具体示例中，可能没有选择“Japan”一词来组成一个集群，因为它太频繁了——它出现在您引用的所有文档中

以下是一些您可能希望尝试调整集群的提示：

• 试着用句号而不是斜杠来分隔关键词，例如“灾难、日本、核电站”。如果你这样做，Carrot2将把单词序列，比如“核电站”，当作短语而不是单个单词

• 尝试不同的Carrot2聚类算法，例如STC

• 如果有机会存储您的完整故事文本字段（或部分字段，如第一段），请使用标题作为carrot.title，使用全文/摘录作为carrot.snippet

• 使用Carrot2算法的特定设置。最好的工具是Carrot2ClusteringWorkbench。以下是如何将其连接到Solr：

---

谢谢，这里有很多有趣的想法，我会尝试一下。