Question

有没有办法搜索Lucene的常用短语？

我成功搜索了频繁的单词：

TermStats[] ts = HighFreqTerms.getHighFreqTerms(reader, 20, fieldName, comparator);

但是这会带来单个单词，而我正在寻找一种搜索频繁的两个（或任意数字）单词组合的方法。

为了澄清，我不是在寻找我所知道的前两个单词（例如快速和汽车），而是排在前两个频繁的单词组合。所以，如果我的文字是＆＃34;这是一辆快车，这也是一辆快车＆＃34;我得到的结果是＆＃34;快车＆＃34;和＆＃34;这是＆＃34;是前两个单词组合。

我查看了讨论here，但它提供了solr的解决方案，我正在寻找Lucene的内容，并且无论如何相关链接都被破坏了。

编辑：关注femtoRgon的评论来自我Analyzer的一些代码。这是应该添加ShingleFilter的地方吗？它似乎不起作用，因为我的输出看起来像这样：

ed d 
d 
d   p
 p
 p pl  
pl
pl le

我需要的是输出包含完整单词对。

这是我的createComponents方法：

@Override
protected TokenStreamComponents createComponents(String fieldName, Reader reader) {
    Tokenizer source = new NGramTokenizer(Version.LUCENE_47, reader, 2, 2);     
    ShingleFilter sf = new ShingleFilter(source, 2, 2);

    TokenStreamComponents tsc = new TokenStreamComponents(source, sf);  
    return tsc;
}

EDIT2：我在femtoRgon的评论之后将NGramTokenizer更改为StandardTokenizer，现在我得到了完整的文字，但我不需要单词，只是对。

这是代码：

Tokenizer source = new StandardTokenizer(Version.LUCENE_47, reader);        
ShingleFilter sf = new ShingleFilter(source, 2, 2);

注意2, 2根据文档应生成最小单词2，最大单词为2.但实际上它会生成此输出：

and
and other
other
other airborne
airborne
airborne particles

那么如何摆脱单个单词并获得此输出呢？

and other
other airborne
airborne particles

Answer 1

这是完成这项工作的完整Analyzer课程。请注意，TokenStreamComponents方法是在femtoRgon对我的问题提出优秀评论后声明ShingleFilter的方法。只需输入您自己的字符串，指定minWords和maxWords并运行它。

public class RMAnalyzer extends Analyzer {

    public static String someString = "some string";
    private int minWords = 2;
    private int maxWords = 2;


    public static void main(String[] args) {
        RMAnalyzer rma = new RMAnalyzer(2, 2);
        rma.findFrequentTerms();
        rma.close();
    }


    public RMAnalyzer(int minWords, int maxWords) { 
        this.minWords = minWords;
        this.maxWords = maxWords;
    }

    public void findFrequentTerms() {
        StringReader sr = new StringReader(someString);
        try {
            TokenStream tokenStream = tokenStream("title", sr);
            OffsetAttribute offsetAttribute = tokenStream.addAttribute(OffsetAttribute.class);
            CharTermAttribute charTermAttribute = tokenStream.addAttribute(CharTermAttribute.class);
            tokenStream.reset();

            while (tokenStream.incrementToken()) {
                String term = charTermAttribute.toString();
                System.out.println(term);
            }                       
        } catch(Exception e) {
            e.printStackTrace();
        }
    }


    @Override
    protected TokenStreamComponents createComponents(String fieldName, Reader reader) {
        Tokenizer source = new StandardTokenizer(Version.LUCENE_47, reader);        
        ShingleFilter sf = new ShingleFilter(source, minWords, maxWords);
        sf.setOutputUnigrams(false); // makes it so no one word phrases out in the output.
        sf.setOutputUnigramsIfNoShingles(true); // if not enough for min, show anyway.

        TokenStreamComponents tsc = new TokenStreamComponents(source, sf);  
        return tsc;
    }
}

在文本中查找常用短语

1 个答案: