Lucene打分公式的推导

内容简介：Lucene打分公式的推导

lucene 介绍

lucene是一个高效的，基于 Java 的全文检索库，利用lucene可以很方便加入到现有应用中来提供全文检索的功能。比如分布式搜索引擎Elastic Search底层的搜索就是使用lucene。（全文检索是从大量的现有的文档中，搜索出与查询语句最相关的文档集的过程）

为了更高效的完成全文检索的过程，lucene使用倒排索引来完成查询词到文档查找。lucene全文检索的过程主要由创建索引和搜索索引，本文主要介绍文档相关性 排序 部分。

lucene中相关概念：

• document：lucene存储的基本单位，类似于 mysql 数据库中一条记录
• field：document中一个字段，类似于mysql数据库表中一个字段

note：本文分析的lucene版本为5.1.0

倒排索引模型

左边一列是按照一定顺序排列的经过分词处理后的Term，称为字典；每个词都指向的包含该词的文档组成链表称为倒排表。

lucene处理流程

创建索引的过程：

• 准备待索引的原文档，数据来源可能是文件、数据库或网络
• 对文档的内容进行分词组件处理，形成一系列的Term
• 索引组件对文档和Term处理，形成字典和倒排表

搜索索引的过程：

• 对查询语句进行分词处理，形成一系列Term
• 根据倒排索引表查找出包含Term的文档，并进行合并形成符合结果的文档集
• 比对查询语句与各个文档相关性得分，并按照得分高低返回

评分公式推导

空间向量模型

lucene的评分计算模型是基于VSM，即空间向量模型，但实现上稍有不同。

空间向量模型的逻辑就是将每个文档看做是由N个Term组成的向量，文档间相关性就是两个向量的在N维空间内的夹角大小，由于两个向量的之间的夹角越小，相关性就越大，所以就可以将夹角的余弦值作为相关性的得分，夹角越小，余弦值越大，相关性越大。

VSM（空间向量模型） 计算公式：

比如索引中的文档

Document Vector = {Weight1, Weight2, ..., Weight N}，查询语句也可以看做是一个文档，查询文档：Query Vector = {Weight1, Weight2, ..., Weight N}，Weight是某个Term的权重，N是所有文档包括查询文档在内的所有Term总数，如果文档不包含某个Term，则文档向量中Term的Weight为0。

Term的权重计算

影响一个Term在文档中权重大小的因素主要有两个：

• Term Frequency(tf)：即该Term在该文档中出现的次数，tf越大说明越重要；
• Document Frequency(df)：即有多少个文档包含了该Term，df越小说明越重要；

计算公式：

以上是Term weight计算的典型实现，Lucene实现于此稍有不同，使用的是tf(t ind ) * idf(t)。

lucene公式推导

我们首先计算余弦公式的分子部分，也即两个向量的点积：

在这里有三点需要指出：

• 由于是点积,则此处的 t1, t2, ..., tn 只有查询语句和文档的并集有非零值，只在查询语句出现的或只在文档中出现的 Term 的项的值为零。
• 在查询的时候，很少有人会在查询语句中输入同样的词,因而可以假设 tf(t, q)都=1
• idf 是指 Term 在多少篇文档中出现过，其中也包括查询语句这篇小文档，因而 idf(t, q)和 idf(t, d)其实是一样的，是索引中的文档总数加一，当索引中的文档总数足够大的时候，查询语句这篇小文档可以忽略，因而可以假设 idf(t, q) = idf(t, d) = idf(t)

下面推导查询语句的长度

由上面的讨论，查询语句中 tf 都为 1，idf 都忽略查询语句这篇小文档，得到如下公式：

接下来推导文档的长度

为什么在打分过程中，需要除以文档的长度呢? 因为在索引中，不同的文档长度不一样，很显然，对于任意一个 term，在长的文档中的 tf 要大的多，因而分数也越高，这样对小的文档不公平，举一个极端的例子，在一篇 1000 万 个词的鸿篇巨著中，“lucene” 这个词出现了 11 次，而在一篇 12 个词的短小文档中，“lucene” 这个词出现了 10 次，如果不考虑长度在内，当然鸿篇巨著应该分数更高，然而显然这篇小文档才是真正关注“lucene” 的。然而如果按照标准的余弦计算公式，完全消除文档长度的影响，则又对长文档不公平(毕竟它是包含更多的信息)，偏向于首先返回短小的文档的，这样在实际应用中使得搜索结果 很难看。

在默认状况下，Lucene 采用 DefaultSimilarity，认为在计算文档的向量长度的时候，每个 Term 的权重就不再考虑在内了，而是全部为一。

再加上各种 boost 和 coord，则可得出 Lucene 的计算公式

lucene计算公式

coord(q,d)：得分因子，score factor，一个文档中包含越多的查询Term词，则该文档的得分越高，对应lucene类 TFIDFSimilarity.coord(int overlap, int maxOverlap) ；

queryNorm(q)：归一化因子，normalizing factor，使得不同查询间的得分具有可比性，但并不会影响文档的排序，对应lucene类 TFIDFSimilarity.queryNorm(float sumOfSquaredWeights) ；

tf(t in d)：Term在文档d中出现的次数，对应lucene类 TFIDFSimilarity.tf(float freq) ；

idf(t)：Term的逆文档频率，即一个Term在所有文档中出现的次数越多，重要性越小，对应lucene类 TFIDFSimilarity.idf(long docFreq, long numDocs) ；

norm(t,d)：封装了文档字段field的权重和field内容长度因子，在index时计算，对应lucene类 TFIDFSimilarity.computeNorm(FieldInvertState state) ；

lengthNorm：field内容长度因子，field字段内容长度越短，则值越大，对应lucene类TFIDFSimilarity.lengthNorm(FieldInvertState state)；

q.getBoost()：查询的权重(默认值为1.0)

t.getBoost()：子查询的权重(默认值为1.0)

f.getBoost()：filed字段的权重(认值为1.0)

设置Query权重

BooleanQuery parentQuery=new BooleanQuery();
parentQuery.setBoost(1.0f);

TermQuery termQuery=new TermQuery(new Term("search"));
termQuery.setBoost(2.0f);
parentQuery.add(termQuery,BooleanClause.Occur.SHOULD);

termQuery=new TermQuery(new Term("掘金"));
termQuery.setBoost(2.0f);
parentQuery.add(termQuery,BooleanClause.Occur.SHOULD);

reader=DirectoryReader.open(index_directory);
IndexSearcher searcher=new IndexSearcher(reader);

TopScoreDocCollector collector=TopScoreDocCollector.create(5);
searcher.search(parentQuery,collector);
ScoreDoc[]hits=collector.topDocs().scoreDocs;

设置Field权重

Document document = new Document();
TextField questionField = new TextField(FieldConstants.QUESTION, question, Field.Store.YES);
questionField.setBoost(2.0f);
TextField answerField = new TextField(FieldConstants.ANSWER, question, Field.Store.YES);
answerField.setBoost(2.0f);

document.add(questionField);
document.add(answerField);
documents.add(document);

note：从lucene4.0之后就不在支持设置document的boost，应该使用filed

以上所述就是小编给大家介绍的《Lucene打分公式的推导》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！

查看所有标签

猜你喜欢:

• 四元数公式推导
• 线性模型篇之 SVM 数学公式推导
• 机器学习笔记（七）：初识逻辑回归、两种方法推导梯度公式
• 机器学习笔记(七)——初识逻辑回归、两种方法推导梯度公式
• 比欧拉公式更美的公式！
• 完美渲染之数学公式

本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。