Lucene是apache软件基金会jakarta项目组的一个子项目,是一个用Java写的全文检索引擎工具包,可以方便的集成到系统中提以提供高效的检索能力,Lucene核心功能分为建索和检索两部分。而对于检索部分来说,检索词和结果的相关度则为整个系统的核心部分,Lucene在相关度得分上提供了多种算法,现在大多数文章都会提到其中的TF/IDF算法,本文主要说一下其中的BM25算法在Lucene中的应用
BM25是二元独立模型(BIM)的扩展,是一种用来评价搜索词和文档之间相关性的算法,在Lucene中被应用在对查询结果的评分计算中。也就是对于一个Query查询到的文档与Query的相关度的评分计算。
BM25模型:
BM25算法模型
其中Q为Query,d标识搜索结果的文档,qi表示Query中的一个语素(分词),Wi表示qi的权重,R(qi,d)表示语素qi与文档d的相关性得分。
这里的Wi的处理方式在Lucene中使用的是IDF算法,计算如下
IDF
N为文档的总数,n(qi)为包含qi的文档数,显而易见,当n(qi)越高时得分越低,语素的常见度越大则权重越低,因此在建索和查询时去除停止词也很有必要。
R(qi,d):