Lucene - 用长串查询

Question

我有一个索引，其字段为“Affiliation”，一些示例值为：

• “美国加利福尼亚州帕洛阿尔托斯坦福大学医学院”，
• “斯坦福大学医学院神经生物学研究所，加利福尼亚州帕洛阿尔托”，
• “哈佛大学医学院，马萨诸塞州波士顿”，
• “哈佛大学医学院布里格姆与女子学院，波士顿，马萨诸塞州”
• “哈佛大学，马萨诸塞州剑桥”

依此类推......（底线是附属关系以多种方式编写，没有明显的一致性）

我使用“医学院，斯坦福大学，加利福尼亚州帕洛阿尔托”（使用QueryParser）查询联盟字段中的索引，以查找所有斯坦福相关文​​档，我得到了很多虚假+ ves，可能是因为医学院等的存在（注意：我不能使用短语查询，因为建立隶属关系的方式不同）

我尝试了以下内容：

1. 通过将搜索短语与空格分开来使用SpanNearQuery（此处我没有结果！）

2. 尝试通过用逗号分割来提升（使用^）并使用比初始短语更高的提升来提升诸如“Palo Alto CA”的最后部分。在这里，我仍然会得到很多假的。

有关如何处理此问题的任何建议？如果SpanNearQuery要走的路，那么为什么我得到0结果的任何想法？

Answer 1

您使用OR搜索而不是AND吗？

您可以使用QueryParser.setDefaultOperator()将默认运算符设置为AND。将默认运算符设置为AND应该消除所有误报。但是，如果您的索引值为"Stanford University School of Medicine, Palo Alto, CA ",并且您正在搜索"Stanford University School of Medicine, Palo Alto, CA USA",（请注意查询中的额外术语USA），您可能会面临漏报的风险。

如果您的查询的条款不会超过索引值，则可以解决您的问题。

Answer 2

我是这样做的：

1. 在停用词列表中添加了诸如“大学”，“学校”，“医学”，“学院”等常用术语。

2. 对每个术语使用booleanquery，并将setMinimumNumberShouldMatch（）用于查询字符串长度的75％。

最后，循环访问命中收集器并使用字符串比较算法，如Jaro-Winkler，Levenstein等，用于二级过滤器。 （这很慢但确保精确度）。

希望这有帮助。