Question

Lucene是一个反向索引系统，据我所知，它的强大之处在于它只会将查询与至少与令牌匹配的文档进行比较。

与将查询与每个文档进行比较的天真方法（即使那些不提及查询中存在的任何标记的方法）相比，这是一个很大的好处。

例如，如果我有索引文档：

D1: "Hello world said the guy"
D2: "Hello, what a beautiful world"
D3: "random text"

我认为，搜索查询：＆＃34; Hello world ＆＃34;，只会查看索引文档D1和D2并跳过在D3上，这可以节省时间。

这是对的吗？

现在，我试图计算文档之间的余弦相似度。输入查询将是一个文档，输出应该是余弦分数。这是介于0和1之间的数字。

我已经阅读了一些计算余弦相似度的方法，但它们都通过比较每个文档的术语向量来做到这一点。例如，this博客提到了以下内容：

如果您确实需要文档之间的余弦相似性，则必须这样做为源字段启用术语向量，并使用它们进行计算角度。问题是这不能很好地扩展，你会的需要使用几乎所有其他文档计算角度。

这个SO answers似乎也是这样说的：

遍历所有文档ID ，0到maxDoc（）;

有没有办法只计算与查询匹配的文档的余弦相似度，并将其作为文档的分数返回？

作为旁注，我确实读过TFIDFSimilarity接近，我相信VSM部分正是我所需要的，但是这部分似乎已经在Lucene实用评分函数中消失了。我不知道我怎么能＆＃34;变换＆＃34;这个相似性类最终只得到纯余弦相似性。

回顾一下我的问题：