Lucene.Net 2.3.1开发介绍 —— 三、索引（五）

话接上篇，继续来说权重对排序的影响。从上面的4个测试，只能说是有个直观的理解了。“哦，是！调整权重是能影响排序了，但是好像没办法来分析到底怎么调啊！”。似乎是这样，现在需要把问题放大，加大索引的内容。到博客园新闻区，用zzk找了4篇内容包含“测试”的文章。代码变成 2.1.5

  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("title") + "_得分：" + hits.Score(i).ToString("f2"));
 49            }
 50        }
 51
 52/**//// <summary>
 53/// 索引数据
 54/// </summary>
 55private void Index()
 56{
 57    Analyzer analyzer = new StandardAnalyzer();
 58    IndexWriter writer = new IndexWriter("IndexDirectory", analyzer, true);
 59    AddDocument(writer, "微软Office 14即将展开Alpha测试", @"据国外网站消息，软件巨头微软可能即将展开Office 14的Alpha测试，据消息来源声称，微软下一版Office的Alpha测试日期可能在11月或12月。
 60
 61　　微软商业智能团队的Hayley Rixon表示，根据技术检测程序（TAP），他们即将展开OPPS功能进行检测和分析。
 62
 63　　其中OPPS（Office性能优化服务）是Office 14中的一个组成部分，可对商业业绩进行分析。据称OPPS Alpha项目将在8月28日发布，而其他Office 14功能的详情微软则没有透露。
 64
 65　　这些内容最早公布于Rixon的博客，不过随后该页面即被移除。 ", 1.0f);
 66    AddDocument(writer, "IBM和微软将测试云计算的新的极限", @"［计世网消息］(胡杨　编译) IBM iDataPlex服务器阵列将作为微软Windows高性能集群操作系统的测试硬件。IBM和微软将联合测试高性能计算和云计算领域的新的极限。
 67
 68　　IBM在6月27日宣布，微软将是其iDataPlex服务器阵列的第一个客户。IBM是在今年4月首次推出这个x86服务器系统的，主要是用于建立运计算、Web 2.0应用程序和高性能计算的企业基础设施。
 69
 70　　在这次合作中，微软Windows服务器部门计划使用一个全部安装iDataPlex系统的数据中心测试和评定微软Windows HPC Server 2008高性计算机能集群操作系统。多年以来，高性能计算和超级计算领域一直由Linux占统治地位。微软期待着改变这种情况。微软最近宣布，它将帮助建造一个性能达到每秒68.5万亿次计算的超级计算机。
 71
 72　　虽然微软和IBM在某些领域的竞争非常激烈，但是，这两家公司还需要相互合作。这个合作协议对于这两家公司都有帮助。
 73
 74　　对于微软来说，这个合作交易将帮助微软进入进入高性能计算和超级计算机领域。IBM的iDataPlex能够让微软利用这个技术测试自己的操作系统。微软计划在公司总部附近的设施中安装IBM iDataPlex系统。
 75
 76　　为了帮助进行高性能计算，IBM还使用英特尔Xeon四核5400处理器(时钟速度为3.0GHz)扩展了iDataPlex的性能，把IBM的一个新的135平方英尺的模块数据中心的性能提高到了每秒145万亿次计算。
 77
 78　　对于IBM来说，这笔交易将使iDataPlex的应用有一个良好的起步，从而为IBM赢得更多的大客户。IBM计划大举进入云计算领域，获得微软、谷歌和雅虎等大客户。 ", 1.0f);
 79    AddDocument(writer, "谷歌测试人力翻译服务 有利于推广其支付平台", @"据国外媒体报道，Google(谷歌)Blogscoped博客业务部门主管菲利浦·伦森 (Philipp Lenssen)近日证实，该公司已推出了一项人力翻译服务。虽然目前该服务仍处于测试阶段，但分析人士认为，Google正式推出这项服务后，将有利于提高Google Checkout支付平台的用户数量。
 80
 81伦森称，Google这项人力翻译服务名称为“Google翻译中心”，目前仅对特定测试者开放，但预计不久后将扩大测试范围。Google人力翻译服务的大致操作流程是：翻译客户首先把需要翻译的材料提交到Google翻译中心，该中心把相应材料交给专业翻译人员；翻译人员完成工作后，再由Google翻译中心转交给翻译客户。
 82
 83据悉，Google翻译中心可承接全球40种主要语言材料的翻译任务。目前还不能肯定 Google是否会担任客户和译者之间支付中间人，但如果Google这样做，该公司肯定会向翻译客户推荐其Google Checkout支付平台。除此之外，Google还可为客户和译者提供在线存储和管理工具，以方便他们对翻译材料进行有序管理。
 84
 85分析人士还认为，鉴于Google此前推出了在线百科全书服务Knol，或许Google将聘请专业翻译人员把相应词条翻译成其他语言，从而使Knol用户量成倍增长。而这种方式也符合Google“多多益善”的内容发展战略。(编译/中涛) 
 86", 1.0f);
 87    AddDocument(writer, "最聪明的浏览器和操作系统", @"IQ联盟维护着一个在线“60秒智商测试”。非常有意思的是，他们把测试结果和服务器上的日志进行了一番统计。将城市和国家之类地理位置，测试者使用的操作系统/浏览器等结合起来，得出了 最聪明的浏览器和操作系统。结论是：最聪明的人使用的是未知平台的Firefox（推测该平台可能是MacOS-Intel），最笨的人使用的是IE on WinNT。他们还评出了世界最聪明的网站：第一是ScienceBlogs.com，第二是Slashdot.org。以及最聪明的国家：第一是摩尔多瓦，第二是泰国，中国的IQ为83.77，排在66位。（这些结果会实时变动，现在最聪明的人使用的浏览器是Netscape on WinXP，最聪明的网站是test.qml.net）。
 88", 1.0f);
 89    writer.Optimize();
 90    writer.Close();
 91}
 92        /**//// <summary>
 93        /// 为索引准备数据
 94        /// </summary>
 95        /// <param name="writer">索引实例</param>
 96        /// <param name="content">需要索引的数据</param>
 97        void AddDocument(IndexWriter writer, string title, string content, float boost)
 98        {
 99            Document document = new Document();
100            document.Add(new Field("title", title, Field.Store.YES, Field.Index.TOKENIZED));
101            document.Add(new Field("content", content, Field.Store.YES, Field.Index.TOKENIZED));
102            document.SetBoost(boost);
103            writer.AddDocument(document);
104        }
105    }
106}

 

OK，测试一下。

 

搜索词：测试
结果：
最聪明的浏览器和操作系统_得分：0.17                                         //第四条记录，字数最少
微软Office 14即将展开Alpha测试_得分：0.14                                //第一条记录，字数和第三条相差不大
谷歌测试人力翻译服务 有利于推广其支付平台_得分：0.13                 //第三条记录，和第一条记录字数差不太多
IBM和微软将测试云计算的新的极限_得分：0.12                              //第二条记录，字数最多
-----------------------------------

 

可以看出，文档长度，测试都有一定的影响。现在试着把分少的往高调。把第二条记录增加0.1的权重。

 

搜索词：测试
结果：
最聪明的浏览器和操作系统_得分：0.17
IBM和微软将测试云计算的新的极限_得分：0.15
微软Office 14即将展开Alpha测试_得分：0.14
谷歌测试人力翻译服务 有利于推广其支付平台_得分：0.13
-----------------------------------

 

晕倒，怎么上面两条也变掉了？那是因为Lucene.Net中权重最小的文档是计算其他文档的一个基础。其它文档的分是以这个为基础，算出来的。因此改变最小的会影响好多个。不过这个影响现在并没有影响排序。而再加0.1，就变成了：

 

搜索词：测试
结果：
最聪明的浏览器和操作系统_得分：0.17
IBM和微软将测试云计算的新的极限_得分：0.15
微软Office 14即将展开Alpha测试_得分：0.14
谷歌测试人力翻译服务 有利于推广其支付平台_得分：0.13
-----------------------------------

跑到第二位去了。可见每增加0.1，会对结果造成很大的变动。而且干扰似乎也不是太大，看来0.1就够了。现在试试把权重还原，然后调整第一条记录的权重。增加0.1后变成：

 

搜索词：测试
结果：
微软Office 14即将展开Alpha测试_得分：0.17
最聪明的浏览器和操作系统_得分：0.17
谷歌测试人力翻译服务 有利于推广其支付平台_得分：0.13
IBM和微软将测试云计算的新的极限_得分：0.12
-----------------------------------

下面的基础值又回去了，而第一条也跑到第一位去了。

 

现在假设我要把第二条记录调到第一位，其他地方权重全部还原。把第一第三条记录对调一下。嘿嘿，我设置个30，肯定能到第一位了吧！测试结果：

 

搜索词：测试
结果：
IBM和微软将测试云计算的新的极限_得分：1.00
最聪明的浏览器和操作系统_得分：0.04
微软Office 14即将展开Alpha测试_得分：0.04
谷歌测试人力翻译服务 有利于推广其支付平台_得分：0.03
-----------------------------------

是到第一位去了，不过其他文档的得分都快变成0了。原来，在Lucene.Net中，文档的最高评分就是1。如果一旦有文档到了1，那么其他文档都会根据这个1的含金量进行调整。比如你把它的权重调成10000，那么其他的都会变成0，但这并不会影响排序。你要有耐心，一点点调试，就会看到，在文档分接近1的过程中，其他文档的分不会发生改变，而一旦到了1还有加，其他的文档分都会变低。永远不会有两个文档评分都到1。

 

现在再来试试完全匹配。把第四条记录的内容就换成测试两个字。那么它的评分会高达0.97分。其他值一般需要权重调正到8，才能和它抗衡。调整0.1就会对索引结果产生很大影响，如果设置权重，一般是按一套规则来做的，如果，大家都设置很大的数字，得分就会都很高，对于有时候需要给你的广告客户设置个第一位置来说，就容易产生混乱。混乱的问题呆会再说，现在要说的是字数少的评分太高的问题。有两个办法解决，一个就是降低字数过少内容的权重，但是注意不要设置为0，设置为0就认为是没有包含查询关键字了；另一个办法就是修改评分。修改评分等说到搜索的时候再来讲。

 

现在再来看看刚才说到的混乱问题，这个问题很重要。如果你要设置一个文档在搜索一个关键字的时候在第一位，你设置了它很高的权重，那么问题也来了，对于其他词，其它它包含的词，它也会跑到前面去。看来把文档的权重设置太高也不好，个人认为以0.1为单位就足够了，当然对于一些应用需要自己把握。比如，对于论坛帖子，一个回复你给它加0.1分也不是个好主意。

 

以上的讨论都是基于感性的认识，真正要研究，还需要对公式的增长曲线进行严格的分析才能下定论！

 

那要置顶要怎么办呢？这就要从另外一种设置权重的方法讲起了。