自定义评分器Similarity,提高搜索体验

文章转自：http://blog.csdn.net/duck_genuine/article/details/6257540

首先说一下lucene对文档的评分规则：

 

score(q,d)   =   coord(q,d) ·  queryNorm(q) ·

∑

( tf(t in d) ·  idf(t)2 ·  t.getBoost() ·  norm(t,d) )

具体可以查看相关文章：http://blog.chenlb.com/2009/08/lucene-scoring-architecture.html

 

这里先考虑三个因素coord(q,d)与tf(t in d)，当查询串中，命中的词越多，coord计算的值则越大，某个词在文档中出现的次数越多则tf的值越大。还有就是norm(t,d)，这个主要是文档boost与字段boost的影响。值越大，对整体评分的影响越重。

首先说tf对搜索结果的影响：

这里是在于本站使用的搜索评分开始是默认的评分器的情况下，但发现有些不足之处。因为站内搜索主要是视频的标题与标签。对于一个视频文档来说，标题或者与标签重复的词本身就是无意义的，比如标题为"美女美女美女美女"，标签为“美女”，如果让tf 的作用变大，明显示会使得它的评分更大，而其实并不是视频网站想要的效果。因为我们更想让它更加发散，这样，用户的点击率才会高。所以我们应该让所有命中词的文档的tf 不受频率的影响，使其tf=1.0f;如下自定义的评分器

 

 

 

 

/**
 * @author yuzhy
 * 实现自已的评分器
 * 文档中重复多少个词不影响分数
 *
 */
public class MySolrSimilarity extends DefaultSimilarity {
    @Override
    public float tf(float freq) {
        return 1.0f;
    }
    @Override
    public float tf(int freq) {
        return 1.0f;
    }


}

 

 

别小看这段代码 ，因为使用这种评分，对于一个文档来说，一个term在文档出现的频率并不影响，即是不用担心作弊的情况，因为在这方面上他们的分数都是一样的。之前还考虑了对标题与标签的重复字符串的处理，采用后缀树结构来处理公共子串，后来发现这种方法来得更简洁。

因为使用的是solr来作搜索服务来架构，所以首先修改solr默认的Similarity类。在solr 的配置文件schemal.xml，最后中修改或增加：

 

<similarity class="com.wole.solr.search.MySimilarity"/>

 

设置为自定义的评分器，重启solr服务后，自定义的评分器就生效了。搜索" 美女"后，不再出现“美女美女美女美女”文档靠前排的效果了。

 

 

 

接着说一下coord的影响：

搜索“htc Incredible S” 三个词，由于没有这完全命中，则使用了宽松规则，即命中一个词也返回进行排序，之前的评分，前几条的结果为：

 

 

<doc>
<str name="Subject">S.H.E爱而为一的魔力 幕后全纪录</str>
<str name="tag">she selina hebe ella 爱而为一</str>
<int name="public_time">1103150000</int>
<int name="times">370</int>
<int name="hd">1</int>
</doc>
−
<doc>
<str name="Subject">1000种死法-S04-01.1024X576.x264</str>
<str name="tag">1000种死法    </str>
<int name="public_time">1103140000</int>
<int name="times">692</int>
<int name="hd">1</int>
</doc>
−
<doc>
<str name="Subject">p-s-1</str>
<str name="tag">    </str>
<int name="public_time">1103150000</int>
<int name="times">58</int>
<int name="hd">1</int>
</doc>

 

 

 

 

可以看到，命中的词S 的文档给排到较前，本应该让命中越来的词的文档分数更高，但因为这三个文档在其它方面影响到评分，使得它的最后分数高于命中多个词的文档，而排到最前，所以这样的搜索体验不够好，好的体验应该是让命中的词越多排得越高，所以我首先降低计算norm(t,d)的值。测试调了其权重值，让coord占更大的比例值，效果马上出来更好的,其前三条记录为：

 

 

<doc>
<str name="Subject">不可思议htc Incredible 对比 apple iphone4</str>
<str name="tag">Incredible htc apple iphone4 苹果</str>
<int name="public_time">1009250000</int>
<int name="times">29758</int>
<int name="hd">0</int>
</doc>
−
<doc>
<str name="Subject">不可思议 htc Incredible 比拼 苹果 iphone 3gs</str>
<str name="tag">不可思议 Incredible htc 苹果 apple</str>
<int name="public_time">1009250000</int>
<int name="times">20231</int>
<int name="hd">0</int>
</doc>
−
<doc>
<str name="Subject">HTC incredible拆解全过程</str>
<str name="tag">手机 HTC incredible DROID系列 </str>
<int name="public_time">1005030000</int>
<int name="times">3649</int>
<int name="hd">0</int>
</doc>

 

 

这里命中两个词htc Incredible的文档给排到最前面来，显然这才更符合用户需要的。即使没有完全命中，它的相关性会更逼近。

 

最后讲一下norm(t,d):

 

没有norms 意味着
索引阶段禁用了文档boost 和域的boost 及长度标准化。好处在于节省内存，不用在搜索阶
段为索引中的每篇文档的每个域都占用一个字节来保存norms 信息了。但是对norms 信息
的禁用是必须全部域都禁用的，一旦有一个域不禁用，则其他禁用的域也会存放默认的
norms 值。因为为了加快norms 的搜索速度，Lucene 是根据文档号乘以每篇文档的norms
信息所占用的大小来计算偏移量的，中间少一篇文档，偏移量将无法计算。也即norms 信
息要么都保存，要么都不保存。

 

norm(t,d) 压缩几个索引期间的加权和长度因子：

• Document boost - 文档加权，在索引之前使用 doc.setBoost()
• Field boost - 字段加权，也在索引之前调用 field.setBoost()
• lengthNorm(field) - 由字段内的 Token 的个数来计算此值，字段越短，评分越高，在做索引的时候由 Similarity.lengthNorm 计算。

以上所有因子相乘得出 norm 值，如果文档中有相同的字段，它们的加权也会相乘：

norm(t,d)   =   doc.getBoost() ·  lengthNorm(field) ·	∏	f.getBoost()
	field f in d named as t

 

 

 

 

搜索组件为dismax，其中文档bf的计算是由三个字段

 

public_time (视频发布时间)^15,times（视频播放数）^15,hd（视频高清）^4

 

字段的bf值为

qf=Subject^1+tag^0.3

 

如果想让coord的值靠前，计算文档 boost 与字段boost  的值应该降低一个级别。

改为：

public_time (视频发布时间)^1.5,times（视频播放数）^1.5,hd（视频高清）^0.4

 

 

这样 norm计算的值就远远小于 coord ,使命中越多词分数越高的效果

 

 

 

 

 

 

 

 

 

norm(t,d)   =   doc.getBoost() ·  lengthNorm(field) ·	∏	f.getBoost()
	field f in d named as t