Question

我正在尝试计算文档中每个术语的tf-idf值。因此，我遍历文档中的术语，并希望在整个语料库中找到术语的频率以及术语出现的文档数。以下是我的代码：

//@param index path to index directory
//@param docNbr the document number in the index
public void readingIndex(String index, int docNbr) {
    IndexReader reader = DirectoryReader.open(FSDirectory.open(new File(index)));

    Document doc = reader.document(docNbr);         
    System.out.println("Processing file: "+doc.get("id"));

    Terms termVector = reader.getTermVector(docNbr, "contents");
    TermsEnum itr = termVector.iterator(null);
    BytesRef term = null;

    while ((term = itr.next()) != null) {               
        String termText = term.utf8ToString();                              
        long termFreq = itr.totalTermFreq();   //FIXME: this only return frequency in this doc
        long docCount = itr.docFreq();   //FIXME: docCount = 1 in all cases 

        System.out.println("term: "+termText+", termFreq = "+termFreq+", docCount = "+docCount);   
    }            

    reader.close();     
}

虽然文档说totalTermFreq（）返回所有文档中该术语的总出现次数，但在测试时我发现它只返回docNbr给出的文档中术语的频率。和docFreq（）总是返回1.

如何在整个索引中获得术语的频率？

更新当然，我可以创建一个地图来将一个术语映射到它的频率。然后遍历每个文档以计算术语发生的总时间。但是，我认为Lucene应该有一个内置的方法用于此目的。谢谢，

Answer 1

IndexReader.TotalTermFreq(Term)将为您提供此功能。您对TermsEnum上类似方法的调用确实提供了枚举中所有文档的统计信息。使用阅读器可以获得索引本身中所有文档的统计信息。类似的东西：

String termText = term.utf8ToString();
Term termInstance = new Term("contents", term);                              
long termFreq = reader.totalTermFreq(termInstance);
long docCount = reader.docFreq(termInstance);

System.out.println("term: "+termText+", termFreq = "+termFreq+", docCount = "+docCount);

Lucene 4.4。如何获得所有指数的期限频率？

1 个答案: