使用Lucene获得更好的搜索结果

Question

我有一个包含大量书籍的数据库。我有标题，描述，作者等领域。

我正在使用100f的提升索引标题和提升0.1f的描述，这两个字段都被标记化并阻止。

我正在使用单个输入字段进行搜索，该字段使用与BooleanClause.Occur.SHOULD连接的booleanquery搜索所有可用字段，并为每个字段包含一个wildcardquery。我还从查询中删除所有“停用词”以开始。

我遇到的问题是当我搜索没有引号的字符串时

标题查询变为“*wetenschap * *leven *”，描述查询相同，包装booleanquery与BooleanClause.Occur.SHOULD连接。

以下书籍在db

中

• Wetenschappelijk denken。 EEN inleiding voor de medische en biomedische wetenschappen en voor de andere levenswetenschap。
• 德 wetenschap van de aarde。过了 levende planeet
• Atlas van de menselijke levensloop
• De wetenschap van het leven。在eenheid in biologische diversiteit

这本书在前4本书中回归，这很好，但在这个实现中，我们在3处切断，其余部分在阅读更多链接之下。只是增加截止值不是一个选择

对我而言，“De wetenschap van het leven。在生物学多样化中的eenheid”一书将“更多”与其他查询相匹配（或者我感觉如此），但我无法找到正确的索引/搜索组合使这项工作。有没有人有想法？

Answer 1

一些建议：

1. 不要删除停用词 - 它们似乎是搜索查询的重要部分。
2. 不要使用通配符 - 只搜索您需要的单词。我相信最好的方法是使用PhraseQuery - 例如“de wetenschap van het leven”。
3. 不要搜索过去的句子。这更难 - 你可能需要单独索引每个句子。
4. 阅读Debugging Relevance Issues in Search - 您可能会在那里得到其他想法。

Answer 2

我认为SpanQuery（特别是SpanNearQuery）可能就是您所需要的。

鉴于一份文件“快速的棕色狐狸跳过一只懒狗”

它可以找到“棕色狐狸”和“懒狗”的匹配。您可以调整斜率设置以调整两个搜索查询短语/术语之间的距离....简而言之，它为您提供了许多调整搜索的工具。

同样不熟悉荷兰语（？）语言，如果可能的话，您可能希望阻止查询，并避免使用通配符 - 它们非常昂贵，导致精度和召回率降低。

Answer 3

我通过添加短语搜索整个字符串来提高相关性。通过这种方式，我们仍然可以获得“搜索所有内容”的行为，并且标题与其他标题相关性更高。