Lucene基础排序算法改进

Lucene基础排序算法:

score_d = sum_t(tf_q * idf_t / norm_q * tf_d * idf_t / norm_dt_t)

score_d: Document(d) 的得分

sum_t: Term(t) 的总和

tf_q: 查询中 t 的频度的平方根

tf_q: d 中 t 的频度的平方根

idf_t: log(numDocs/docFreq_t + 1) + 1.0

numDocs: 索引中Document的数量

docFreq_t: 包含t的Document的数量

norm_q: sqrt(sum_t((tf_q*idf_t)^2))

norm_d_t: 在与 t 相同域的 d 中 tokens 数量的平方根

基础排序算法的不足

要点:

查询词在一个 Document 中的位置并不重要。

如果一个 Document 中含有该查询词的次数越多，该得分越高。

一个命中document中，如果除了该查询词之外，其他的词越多，该得分越少。

不足：

查询精确度不好。

没有体现网页的重要性。

Lucene的得分算法, 不适合网页搜索。

改进的算法：

Score_d = k1 * OldScore + k2 * PrScore + k3 * ReScore + k4 * homePageScore

Score_d: 记录d的得分。

OldScore: 由基础排序算法计算出的记录d的得分。

PrScore: 记录d的PageRank的得分。

ReScore: 记录d的二次检索的加分, ReScore = rescore + (hitNum - 1) * increment

homePageScore: 主页的加分

K1, K2, K3, K4为权重系数

PR(A) = (1 - d) + d(PR(1) / C(1) + ... + PR(n)/C(n))

PageRank, 二次检索, 以及主页加分的调整确实优化了查询精确度。