Lucene.Net 2.3.1开发介绍 —— 三、索引（四）

4、索引对搜索排序的影响

 

搜索的时候，同一个搜索关键字和同一份索引，决定了一个结果，不但决定了结果的集合，也确定了结果的顺序。那个这个结果是怎么得出来的？这个顺序又是怎么排的呢？这两个问题不是本节讨论的重点，但是这两个问题却关系到本节要讨论的，索引对结果的影响问题。在不使用字段排序的情况下，Lucene.Net默认是按文档的得分来排序的，这个公式看着很复杂，感觉像是大学时高数书上的那些个公式，其实说清楚了也简单。

关于文档排序有几个要素：

（1）、查询词在文档中出现的频率，就是一个文档中包含了几个查询词，然后再开个平方，这个很好理解；

（2）、反转文档频率，这个复杂一点。影响它的有两个因素，一个是包含查询词的文档总数，一个是文档的整体数量。比如，现在的索引文件有1000个文档，而现在搜索的关键字“博客园”，能找到499个文档包含它。那么就会拿文档总数除以包含关键字的文档数，这里包含关键字的文档数加了1，是防止一个也没找到，出现除以0的情况。这样，在这个例子中，就会得到结果2。然后再对这个2进行log操作，操作完了再加1。这样就得到值了。可以看出，文档总数越多，包含关键字的文档越少，那么这个值就越大。

（3）、权重，很多书上叫激励因子，我喜欢叫权重。这个就是我们索引的时候能够调整的值。本节也就是对这个分析。

（4）、保有率。这个名字比较难起，我就照着城市汽车保有率起一个吧。意思呢就是，按照分词结果，一个Field如果含有100个词，那么就会把100开平方，得到10，然后再拿1除以这个10，得到0.1。

这里就不详细论述了，下面进入本节的重点。

 

1、什么是索引的权重？

从上面看出，有4个部分影响了文档的得分，那么，它们是乘积关系，所以权重对文档排序影响很大。什么是权重呢？就是你可以根据文档内容的好坏，设置好的文档权重高，设置差的文档权重低，是一个调节排序的因子，而不用在搜索是按字段排序。

 

2、怎么调整权重？

在Lucene.Net中怎么调整权重呢？在不修改评分公式的前提下，可以通过设置Boost来控制权重的值。这个过程在索引文档的时候就进行了，一旦文档被写入，这个值就不可更改了，除非删了重新建一个。调整权重也有两种调法，来仔细分析下设置权重如何影响排序的。

 

2.1 Document的boost

对以前的代码做个修改，变成代码2.1.1。

 

 

 1using System;
 2using System.Collections.Generic;
 3using Lucene.Net.Analysis;
 4using Lucene.Net.Analysis.Standard;
 5using Lucene.Net.Documents;
 6using Lucene.Net.Index;
 7using Lucene.Net.QueryParsers;
 8using Lucene.Net.Search;
 9using NUnit.Framework;
10
11namespace Test
12{
13    [TestFixture]
14    public class StandardAnalyzerCaseTest
15    {
16        /**//// <summary>
17        /// 执行测试的入口
18        /// </summary>
19        [Test]
20        public void SearcherTest()
21        {
22            Index();
23            List<string> list = new List<string>() { "测试" };
24            for (int i = 0; i < list.Count; i++)
25            {
26                Console.WriteLine("搜索词：" + list[i]);
27                Console.WriteLine("结果：");
28                Searcher(list[i]);
29                Console.WriteLine("-----------------------------------");
30            }
31        }
32
33        /**//// <summary>
34        /// 搜索
35        /// </summary>
36        /// <param name="querystring">搜索输入</param>
37        private void Searcher(string querystring)
38        {
39            Analyzer analyzer = new StandardAnalyzer();
40            IndexSearcher searcher = new IndexSearcher("IndexDirectory");
41            QueryParser parser = new QueryParser("content", analyzer);
42            Query query = parser.Parse(querystring);
43            Hits hits = searcher.Search(query);
44            for (int i = 0; i < hits.Length(); i++)
45            {
46                Document doc = hits.Doc(i);
47
48                Console.WriteLine(doc.Get("content") + "_得分：" + hits.Score(i).ToString("f2"));
49            }
50        }
51
52        /**//// <summary>
53        /// 索引数据
54        /// </summary>
55        private void Index()
56        {
57            Analyzer analyzer = new StandardAnalyzer();
58            IndexWriter writer = new IndexWriter("IndexDirectory", analyzer, true);
59            AddDocument(writer, "测试标题一", "测试内容一", 1.0f);
60            AddDocument(writer, "测试标题二", "测试内容二", 1.0f);
61            AddDocument(writer, "测试标题三", "测试内容三", 1.0f);
62            AddDocument(writer, "测试标题四", "测试内容四", 1.0f);
63            writer.Optimize();
64            writer.Close();
65        }
66        /**//// <summary>
67        /// 为索引准备数据
68        /// </summary>
69        /// <param name="writer">索引实例</param>
70        /// <param name="content">需要索引的数据</param>
71        void AddDocument(IndexWriter writer, string title, string content, float boost)
72        {
73            Document document = new Document();
74            document.Add(new Field("title", title, Field.Store.YES, Field.Index.TOKENIZED));
75            document.Add(new Field("content", content, Field.Store.YES, Field.Index.TOKENIZED));
76            document.SetBoost(boost);
77            writer.AddDocument(document);
78        }
79    }
80}

 

测试，输出：

搜索词：测试
结果：
测试内容一_得分：0.68
测试内容二_得分：0.68
测试内容三_得分：0.68
测试内容四_得分：0.68
-----------------------------------

这个在预料之中，在得分相同的情况下，是按照加入的顺序排的。现在把索引部分代码换成代码 2.1.2。

 

 1/**//// <summary>
 2/// 索引数据
 3/// </summary>
 4private void Index()
 5{
 6    Analyzer analyzer = new StandardAnalyzer();
 7    IndexWriter writer = new IndexWriter("IndexDirectory", analyzer, true);
 8    AddDocument(writer, "测试标题一", "测试内容一111", 1.0f);
 9    AddDocument(writer, "测试标题二", "测试内容二11", 1.0f);
10    AddDocument(writer, "测试标题三", "测试内容三1", 1.0f);
11    AddDocument(writer, "测试标题四", "测试内容四", 1.0f);
12    writer.Optimize();
13    writer.Close();
14}

 

测试结果：

搜索词：测试
结果：
测试内容四_得分：0.68
测试内容一111_得分：0.58
测试内容二11_得分：0.58
测试内容三1_得分：0.58
-----------------------------------

-----------------------------------

因为数字部分都是同一个分词，所以前三个都一样，这个也好理解，这样就理解了为什么一般文字越多，排得越后了。现在词的数量较少，改变数量对得分影响极大。

现在对boost的值调整一下,变成代码2.1.3。

 

 

 1/**//// <summary>
 2/// 索引数据
 3/// </summary>
 4private void Index()
 5{
 6    Analyzer analyzer = new StandardAnalyzer();
 7    IndexWriter writer = new IndexWriter("IndexDirectory", analyzer, true);
 8    AddDocument(writer, "测试标题一", "测试内容一111", 1.3f);
 9    AddDocument(writer, "测试标题二", "测试内容二11", 1.2f);
10    AddDocument(writer, "测试标题三", "测试内容三1", 1.1f);
11    AddDocument(writer, "测试标题四", "测试内容四", 1.0f);
12    writer.Optimize();
13    writer.Close();
14}

 

测试结果：

搜索词：测试
结果：
测试内容一111_得分：0.78
测试内容二11_得分：0.68
测试内容三1_得分：0.68
测试内容四_得分：0.68
-----------------------------------

似乎，调整得小了点，结果影响并不是很大，只有调成1.3的对结果造成了比较大的影响，是不是调成1.3以上就会对结果产生比较大的影响呢？来试试代码2.1.4。

 

 

 

 1/**//// <summary>
 2/// 索引数据
 3/// </summary>
 4private void Index()
 5{
 6    Analyzer analyzer = new StandardAnalyzer();
 7    IndexWriter writer = new IndexWriter("IndexDirectory", analyzer, true);
 8    AddDocument(writer, "测试标题一", "测试内容一111", 1.3f);
 9    AddDocument(writer, "测试标题二", "测试内容二11", 1.4f);
10    AddDocument(writer, "测试标题三", "测试内容三1", 1.5f);
11    AddDocument(writer, "测试标题四", "测试内容四", 1.6f);
12    writer.Optimize();
13    writer.Close();
14}

果然，尤其是文档含有词少的，影响更加明显，评分结果：

搜索词：测试
结果：
测试内容四_得分：0.97
测试内容一111_得分：0.78
测试内容二11_得分：0.78
测试内容三1_得分：0.78
-----------------------------------

现在先对以上数据分析一下，不难看出，得分越高的，对权重的敏感度越高，而相同的，就会比较迟钝。这样一般达不到我们想要的目地。当然在文档索引过程中出现索引文档Field包含相同词数的文档估计也不是很多。那这样区分有什么意义呢？