MoreLikeThis 相似检索

出处：http://www.cnblogs.com/huangfox/archive/2012/07/05/2578179.html

MoreLikeThis，相似检索。找出某篇文档的相似文档，常见于“类似新闻”、“相关文章”等，这里完全是基于内容的分析。

 

1）MoreLikeThis的使用

FSDirectory directory = SimpleFSDirectory.open( new File( "d:/nrtTest2" ));          IndexReader reader = IndexReader.open(directory);          IndexSearcher searcher = new IndexSearcher(reader);          //          MoreLikeThis mlt = new MoreLikeThis(reader);          mlt.setFieldNames( new String[] { "ab" }); //用于计算的字段          //          int docNum = 1 ; //      TermFreqVector vector = reader.getTermFreqVector(docNum, "ab"); //      System.out.println(vector.toString());          Query query = mlt.like(docNum); //试图找到与docnum=1相似的documents          System.out.println(reader.document(docNum));          System.out.println(query.toString()); //查看构造的query，后面的就是常规的lucene的检索过程。          TopDocs topDocs = searcher.search(query, 10 );          ScoreDoc[] scoreDocs = topDocs.scoreDocs;          for (ScoreDoc sdoc : scoreDocs) {              Document doc = reader.document(sdoc.doc);              System.out.println(doc.get( "ti" ));              // System.out.println(doc.get("ti"));          }

 

2）MoreLikeThis的源码解读

把MLT运行起来很简单，那么我们进一步看看他是怎么实现的。

关键就是 Query query = mlt.like(docNum); 我们就从他下手。

 

2.1）like

public Query like( int docNum) throws IOException {      if (fieldNames == null ) {        // gather list of valid fields from lucene        Collection<String> fields = ReaderUtil.getIndexedFields(ir);        fieldNames = fields.toArray( new String[fields.size()]);      }            return createQuery(retrieveTerms(docNum));    }

filedNames为参与“more like this”运算的字段，在moreLikeThis对象的setFiledNames方法中进行设置。

 

2.2）retrieveTerms

public PriorityQueue<Object[]> retrieveTerms( int docNum) throws IOException {      Map<String,Int> termFreqMap = new HashMap<String,Int>();      for ( int i = 0 ; i < fieldNames.length; i++) {        String fieldName = fieldNames[i];        TermFreqVector vector = ir.getTermFreqVector(docNum, fieldName); //取出term向量                // 如果当前字段没有存储termVector，那么需要重新计算。其实这里就是分词，并计算term词频的过程，注意他默认使用的是StandardAnalyzer分词器！！！        if (vector == null ) {          Document d = ir.document(docNum);          String text[] = d.getValues(fieldName);          if (text != null ) {            for ( int j = 0 ; j < text.length; j++) {              addTermFrequencies( new StringReader(text[j]), termFreqMap,                  fieldName);            }          }        } else { //如果之前保存了termVector那么就方便多了。          addTermFrequencies(termFreqMap, vector);        }              }

 

2.3）addTermFrequencies

由于TermVector中的term和field没有关系，不管是标题还是正文，只要term内容一样就将其频率累加。addTermFrequencies就做这个事情！

把累加的结果存放到termFreqMap中。

private void addTermFrequencies(Map<String,Int> termFreqMap,        TermFreqVector vector) {      String[] terms = vector.getTerms();      int freqs[] = vector.getTermFrequencies();      for ( int j = 0 ; j < terms.length; j++) {        String term = terms[j];                if (isNoiseWord(term)) {          continue ;        }        // increment frequency        Int cnt = termFreqMap.get(term);        if (cnt == null ) {          cnt = new Int();          termFreqMap.put(term, cnt);          cnt.x = freqs[j];        } else {          cnt.x += freqs[j];        }      }    }

截止，我们将指定的文档（被匹配文档）按照指定的运算字段，将其term和对应的frequency存放到了map中。在这个过程中，我们看到了一个听起来比较牛逼的操作——去噪！

那么这里怎么判断一个Term是不是噪音呢？

private boolean isNoiseWord(String term) {      int len = term.length();      if (minWordLen > 0 && len < minWordLen) {        return true ;      }      if (maxWordLen > 0 && len > maxWordLen) {        return true ;      }      if (stopWords != null && stopWords.contains(term)) {        return true ;      }      return false ;    }

他判断的标准十分简单，第一：是否是规定的停用词；第二：term长度是否过长或过短，这个范围由minWordLen和maxWordLen控制。

 

2.4）createQueue

这里的queue应该是一个优先级队列，上一步我们获得了所有<term, frequency>，虽然做了去噪，但是term项目还是太多了，还需要找出相对重要的前N个Term。

private PriorityQueue<Object[]> createQueue(Map<String,Int> words)        throws IOException {      // 获取当前index的文档总数。      int numDocs = ir.numDocs();      FreqQ res = new FreqQ(words.size()); // 按照term的得分进行存放            Iterator<String> it = words.keySet().iterator();      while (it.hasNext()) { // 对所有term进行遍历        String word = it.next();                int tf = words.get(word).x; // 对应term的tf        if (minTermFreq > 0 && tf < minTermFreq) {          continue ; // 和去噪类似，tf太小的term直接过掉。        }                // 对于同一个term，找到df最大的那个字段，存放到topField。        String topField = fieldNames[ 0 ];        int docFreq = 0 ;        for ( int i = 0 ; i < fieldNames.length; i++) {          int freq = ir.docFreq( new Term(fieldNames[i], word));          topField = (freq > docFreq) ? fieldNames[i] : topField;          docFreq = (freq > docFreq) ? freq : docFreq;        }        //df太小的term也要直接过掉        if (minDocFreq > 0 && docFreq < minDocFreq) {          continue ; // filter out words that don't occur in enough docs        }        //df太大的term也要直接过掉        if (docFreq > maxDocFreq) {          continue ; // filter out words that occur in too many docs        }        //df==0的term也要直接过掉，怎么会有df的term？？？这里说是index文件的问题        if (docFreq == 0 ) {          continue ; // index update problem?        }        //经典的idf、tf又来了        float idf = similarity.idf(docFreq, numDocs);        float score = tf * idf;                //将结果存放到优先队列中。        res.insertWithOverflow( new Object[] {word, // the word            topField, // the top field            Float.valueOf(score), // overall score            Float.valueOf(idf), // idf            Integer.valueOf(docFreq), // freq in all docs            Integer.valueOf(tf)});      }      return res;    }

在这里，我们对每个term进行了打分排序，主要还是通过tf、idf进行计算。

这里他的意思就是：

1.将指定参与运算字段的term的frequency进行累加；（这里对ti、ab字段的tf进行累加）

2.通过df的比较，选取df大的字段作为最终“运算”的字段，但tf为所有字段的累加值。这和我们看普通检索时的打分算法不太一样，普通检索中tf为当前字段的词频。

至于为什么这么做，还得验证！！！

 

2.5）createQuery

到此我们将term的打分排序拿到了，分值越大的term更能表述整篇document的主要内容！（有没有想到这就类似主题词！！！）

private Query createQuery(PriorityQueue<Object[]> q) {      BooleanQuery query = new BooleanQuery();      Object cur;      int qterms = 0 ;      float bestScore = 0 ;            while (((cur = q.pop()) != null )) {        Object[] ar = (Object[]) cur;        TermQuery tq = new TermQuery( new Term((String) ar[ 1 ], (String) ar[ 0 ]));        //这里还可以对termquery进行boost的设置。默认为false        if (boost) {          if (qterms == 0 ) {            bestScore = ((Float) ar[ 2 ]).floatValue();          }          float myScore = ((Float) ar[ 2 ]).floatValue();                    tq.setBoost(boostFactor * myScore / bestScore);        }        //构建boolean query，should关联。        try {          query.add(tq, BooleanClause.Occur.SHOULD);        } catch (BooleanQuery.TooManyClauses ignore) {          break ;        }                qterms++;        if (maxQueryTerms > 0 && qterms >= maxQueryTerms) { //限定参与运算的term的数量          break ;        }      }            return query;    }

这样就根据一篇document和指定字段得到了一个query。这个query作为代表着document的灵魂，将寻找和他类似的documents。

 

3）实例

被匹配的document为：

Document<stored,indexed,tokenized<an:CN00103249.6>

stored,indexed<ad:20000320> stored,indexed,tokenized,termVector<ab:    本发明涉及一种高级毛料服装洗涤剂。使用该洗涤剂，洗衣服可不用到干洗店，自己在家水洗就行，且洗涤后毛料服装笔挺膨松，抗静电，不缩水，洗涤中不刺激皮肤。此剂主要由去污剂、抗静电剂、防缩剂、表面活性剂与其它助剂配制而成。去污率≥90%，缩水率≤1‰。>

stored,indexed,tokenized,termVector<ti:高级毛料服装洗涤剂>>

计算出来的query为：

ab:毛料 ab:服装 ab:洗涤剂 ab:抗静电 ab:高级 ab:剂 ab:洗涤

计算结果为：

高级毛料服装洗涤剂
抗静电防尘污灭菌广谱洗涤剂及制备方法
一种抗紫外线的织物涂层材料
服装绿色干洗及服装翻新技术
洗碟用柔性含蛋白酶的液体或凝胶洗涤组合物
复合洗霉制剂
洗衣机
一种抗静电合成纤维
实验室专用洗涤剂
液晶相结构型液体洗涤剂及制造工艺

貌似结果不是很相似，那么我们可以试着只用ti做运算，这样从标题看起来比较相似。

还可以对MLT的各项参数进行设置，这里就不在实验了！