Question

据我了解Solr's scoring function，以下两个查询应该是等效的。

即，语料库中的每个文档score(q1, d) = score(q2, d)都有d。

查询1：evolution OR selection OR germline OR dna OR rna OR mitochondria

查询2：(evolution OR selection OR germline) OR (dna OR rna OR mitochondria)

查询显然在逻辑上是等效的（它们都返回相同的文档集）。此外，两个查询都包含相同的6个术语，并且每个术语在两个查询中都增加1。因此，每个术语应该对总分有相同的贡献（相同的TF，相同的IDF，相同的提升）。

尽管如此，查询不会给出相同的分数。

通常，术语（a OR b OR c OR d）的组合与查询的组合（(a OR b) OR (c OR d)）不同。两种类型的查询之间的语义差异是什么？是什么导致他们导致不同的评分？

我问的原因是我正在构建一个自定义请求处理程序，我在其中构造第二种类型的查询（查询的结合），而我可能实际上需要构造第一种类型的查询（条款的结合）。换句话说，这就是我正在做的事情：

Query q1 = ... //conjunction of terms evolution, selection, germline
Query q2 = ... //conjunction of terms dna, rna, mitochondria
Query conjunctionOfQueries = new BooleanQuery();
conjunctionOfQueries.add(q1, BooleanClause.Occure.SHOULD);
conjunctionOfQueries.add(q2, BooleanClause.Occure.SHOULD);

虽然也许我应该这样做：

List<String> terms = ... //extract all 6 terms from q1 and q2
List<TermQuery> termQueries = ... //create a new TermQuery from each term in terms
Query conjunctionOfTerms = new BooleanQuery();
for (TermQuery t : termQueries) {
    conjunctionOfTerms.add(t, BooleanClause.Occure.SHOULD);
}

Answer 1

我跟着femtoRgon's advice检查了分数计算的调试元素。我发现的是计算确实在数学上是等价的。唯一的区别是在 query-of-queries 计算中我们存储了中间结果。更确切地说，我们将对每个子查询的总和的贡献存储在变量中。显然，为了存储中间结果而停止会产生累积数值误差的效果：每次我们存储中间结果时，我们都会失去一些准确性。由于应用程序中的实际查询非常大（不像简单的示例查询），因此丢失的准确性很高，累积的错误有时甚至会改变返回文档的排名顺序。

因此，词汇连接查询的排名要比的查询结合查询稍微好一些，因为的结合 - -queries 查询会累积更大的数字错误。

评分看似等效的Solr查询之间的差异

1 个答案: