24_ElasticSearch TF&IDF算法以及向量空间模型
更多干货
- 分布式实战（干货）
- spring cloud 实战（干货）
- mybatis 实战（干货）
- spring boot 实战（干货）
- React 入门实战（干货）
- 构建中小型互联网企业架构（干货）
- python 学习持续更新
一、概述
- boolean model 类似and这种逻辑操作符，先过滤出包含指定term的doc
- TF （term frequency） 一个term在一个doc中，出现的次数越多，那么最后给的相关度评分就会越高
- IDF（inversed document frequency） 一个term在所有的doc中，出现的次数越多，那么最后给的相关度评分就会越低
- length norm 搜索的那个field的长度，field长度越长，给的相关度评分越低; field长度越短，给的相关度评分越高
- vector space model 向量空间模型
二、boolean model
类似and这种逻辑操作符，先过滤出包含指定term的doc
- query "hello world" --> 过滤 --> hello / world / hello & world
- bool --> must/must not/should --> 过滤 --> 包含 / 不包含 / 可能包含
- doc --> 不打分数 --> 正或反 true or false --> 为了减少后续要计算的doc的数量，提升性能
三、TF/IDF
单个term在doc中的分数
- query: 搜索关键字hello world 在doc.content中搜索
doc1: java is my favourite programming language, hello world !!!
doc2: hello java, you are very good, oh hello world!!!
hello对doc1的评分
1、TF: term frequency
- 找到hello在doc1中出现了几次，1次，会根据出现的次数给个分数
- 一个term在一个doc中，出现的次数越多，那么最后给的相关度评分就会越高
2、IDF：inversed document frequency
- 找到hello在所有的doc中出现的次数，3次
- 一个term在所有的doc中，出现的次数越多，那么最后给的相关度评分就会越低
3、length norm
- hello搜索的那个field的长度，field长度越长，给的相关度评分越低; field长度越短，给的相关度评分越高
4、综合平分
最后，会将hello这个term，对doc1的分数，综合TF，IDF，length norm，计算出来一个综合性的分数
搜索关键字：hello world
--> doc1
--> hello对doc1的分数，world对doc1的分数
--> 但是最后hello world query要对doc1有一个总的分数
--> vector space model
四、vector space model 向量空间模型
1、例子：
多个term对一个doc的总分数
hello world
--> es会根据hello world在所有doc中的评分情况，计算出一个query vector，query向量
- hello这个term，给的基于所有doc的一个评分就是2
- world这个term，给的基于所有doc的一个评分就是5
- doc vector，3个doc，一个包含1个term，一个包含另一个term，一个包含2个term
doc1：包含hello --> [2, 0]
doc2：包含world --> [0, 5]
doc3：包含hello, world --> [2, 5]
如图，取每个doc vector对query vector的弧度，给出每个doc对多个term的总分数
- 每个doc vector计算出对query vector的弧度，最后基于这个弧度给出一个doc相对于query中多个term的总分数
- 弧度越大，分数月底; 弧度越小，分数越高
- 如果是多个term，那么就是线性代数来计算，无法用图表示
1009
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
