Question

我有两个文档4349和P 43。

P 43的搜索字符串按顺序返回

4349
P 43

我的索引def如下所示

@AnalyzerDefs({
    @AnalyzerDef(
        name = "ngram",
        charFilters = {
            @CharFilterDef(factory = HTMLStripCharFilterFactory.class)
        },
        tokenizer = @TokenizerDef(factory = StandardTokenizerFactory.class),
        filters = {
            @TokenFilterDef(factory = StandardFilterFactory.class),
            @TokenFilterDef(factory = LowerCaseFilterFactory.class),
            @TokenFilterDef(factory = StopFilterFactory.class, params = {
                @Parameter(name = "words", value = "/org/apache/lucene/analysis/snowball/english_stop.txt")}),
            @TokenFilterDef(factory = EdgeNGramFilterFactory.class, params = {
                @Parameter(name = "maxGramSize", value = "1"),
                @Parameter(name = "maxGramSize", value = "15")
            })
        }
    ),

我的搜索def在没有ngramfilter的情况下是相同的，我已经关闭了lengthnorm。

问：如何将第二名作为更高的比赛返回或者返回的名单排名是否正常？

问：短语的另一种方法是如何考虑或已经采用输入查询中的令牌顺序？

我能够使用querybuilder.phrase().withSlop(10)...sentence('P 43')但现在它不再返回第一个结果而只返回第二个结果

Answer 1

您需要了解您的Analyzer定义如何分解您的条款。

使用这样的 EdgeNGramFilterFactory ，您的 4349 将按照以下标记进行转换：

4349 - ＆gt; [4，43，434，4349]

虽然“P 43”将被类似地拆分，但只有在将“P”与“43”分开之后，因为您还有 StandardTokenizerFactory ：

P 43 - ＆gt; [p，4，43]

所以这些标记会插入到倒排索引中。

在查询时，句子“P 43”将使用相同的方法分割：

P 43 - ＆gt; [p，4，43]

您的文档将包含所有4和43，就像您的查询所要求的那样。所以这两个文件都匹配。

现在，如果您重复测试但禁用基于N-Gram的过滤器，我们将使用不同的索引：

4349 - ＆gt; [4349]
P 43 - ＆gt; [p，43]

您的查询将是：

P 43 - ＆gt; [p，43]

只有第二个文档与p或43这两个词中的任何一个匹配，因此只有第二个文档才会被视为匹配。

我建议使用辅助类 org.hibernate.search.util.AnalyzerUtils ，这是我用来确认将为每个输入/分析器配置生成哪些令牌。

Analyzer analyzer = searchFactory.getAnalyzer( "ngram" );
System.out.println( AnalyzerUtils.tokenizedTermValues( analyzer, "description", "4349" ) );
System.out.println( AnalyzerUtils.tokenizedTermValues( analyzer, "description", "P 43" ) );

当搜索词包含分隔符时，对搜索结果进行排名的首选方法是什么？

1 个答案: