多值字段和标记化字段之间的评分差异

Question

例如，我每个文档都有几个标签。我可以

• 将它们索引为按空格uisng WhiteSpaceTokenizer分割的单个文本字符串。 （例如“tag1 tag2 tag3”）
• 使用KeywordAnalyzer将它们分别添加到单个字段名称中多次（ 示例 doc.addField("tags1", "tag1"); doc.addField("tags", "tag2"); doc.addField("tags", "tag23) ）

这两种方法都有效。问题是对这些类型的索引有何不同？ （即场归一化因子，tf / idf计数，场长calucaltion，斜率因子等）

Answer 1

无论如何，Lucene将连接场景背后的多值域的所有值，所以它与你的第一个案例没有太大的不同，如果有的话。如果您仅将标记用作过滤器（给我标记为tag2的所有文档），那么您肯定不会看到任何差异。

Answer 2

我认为多值会更准确。

想象一个标记化的字符串“spider web developer”

vs

值为“spider”和“web developer”的多值字段

搜索“web开发者”会匹配两个字段，但匹配与多值字段可以被视为更准确。