如何在 Lucene 中实现 tf-idf 和余弦相似度?

Posted

技术标签:

【中文标题】如何在 Lucene 中实现 tf-idf 和余弦相似度?【英文标题】:how can I implement the tf-idf and cosine similarity in Lucene? 【发布时间】:2013-04-18 15:51:50 【问题描述】:

我正在使用 Lucene 4.2。我创建的程序没有使用 tf-idf 和余弦相似度,它只使用了 TopScoreDocCollector。

import com.mysql.jdbc.Statement;
import java.io.BufferedReader;
import java.io.File;
import java.io.InputStreamReader;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.util.Version;
import org.apache.lucene.index.IndexWriterConfig;
import org.apache.lucene.index.IndexWriter;

import java.sql.DriverManager;
import java.sql.Connection;
import java.sql.ResultSet;
import org.apache.lucene.analysis.id.IndonesianAnalyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.lucene.index.*;
import org.apache.lucene.queryparser.classic.ParseException;
import org.apache.lucene.queryparser.classic.QueryParser;
import org.apache.lucene.search.IndexSearcher;
import org.apache.lucene.search.Query;
import org.apache.lucene.search.ScoreDoc;
import org.apache.lucene.search.TopScoreDocCollector;
import org.apache.lucene.store.Directory;
import org.apache.lucene.store.FSDirectory;
import org.apache.lucene.store.RAMDirectory;

public class IndexMysqlDBStemming 

  public static void main(String[] args) throws Exception 

    // 1. Create Index From Database
    Class.forName("com.mysql.jdbc.Driver").newInstance();
    Connection connection = DriverManager.getConnection("jdbc:mysql://localhost/db_haiquran", "root", "");

    IndonesianAnalyzer analyzer = new IndonesianAnalyzer(Version.LUCENE_42);
    //StandardAnalyzer analyzer = new StandardAnalyzer(Version.LUCENE_42);
    QueryParser parser = new QueryParser(Version.LUCENE_42, "result", analyzer);

    Directory INDEX_DIR = new RAMDirectory();

    IndexWriterConfig config = new IndexWriterConfig(Version.LUCENE_42, analyzer);
    IndexWriter writer = new IndexWriter(INDEX_DIR, config);

    String query = "SELECT * FROM ayat";
    java.sql.Statement statement = connection.createStatement();
    ResultSet result = statement.executeQuery(query);

    while (result.next()) 
        Document document = new Document();
        document.add(new Field("NO_INDEX_AYAT", result.getString("NO_INDEX_AYAT"), Field.Store.YES, Field.Index.NOT_ANALYZED));
        document.add(new Field("NO_SURAT", result.getString("NO_SURAT"), Field.Store.YES, Field.Index.NOT_ANALYZED));
        document.add(new Field("NO_AYAT", result.getString("NO_AYAT"), Field.Store.YES, Field.Index.NOT_ANALYZED));
        document.add(new Field("TEXT_INDO", result.getString("TEXT_INDO"), Field.Store.YES, Field.Index.ANALYZED));
        document.add(new Field("TEXT_ARAB", result.getString("TEXT_ARAB"), Field.Store.YES, Field.Index.NOT_ANALYZED));
        writer.updateDocument(new Term("NO_INDEX_AYAT", result.getString("NO_INDEX_AYAT")), document);

    

    writer.close();


    // 2. Query
    System.out.println("Enter your search keyword in here : ");
    BufferedReader bufferRead = new BufferedReader(new InputStreamReader(System.in));
    String s = bufferRead.readLine();
    String querystr = args.length > 0 ? args[0] :s;

    try 
        System.out.println(parser.parse(querystr)+"\n"); //amenit
        System.out.println();

     catch (ParseException ex) 
        // Exception
    

    Query q = new QueryParser(Version.LUCENE_42, "TEXT_INDO", analyzer).parse(querystr);

    // 3. Search

    int hitsPerPage = 10;
    IndexReader reader = DirectoryReader.open(INDEX_DIR);
    IndexSearcher searcher = new IndexSearcher(reader);
    TopScoreDocCollector collector = TopScoreDocCollector.create(hitsPerPage, true);
    searcher.search(q, collector);
    ScoreDoc[] hits = collector.topDocs().scoreDocs;

    // 4. Display results

    System.out.println("Found : " + hits.length + " hits.");

    System.out.println("No" + " ID " + "\t" + " Surat " + "\t" + " No Ayat " + "\t" + " Terjemahan Ayat " + "\t" + " Teks Arab ");

    for (int i=0; i<hits.length; i++) 
       int docID = hits[i].doc;
       Document d = searcher.doc(docID);

       System.out.println((i+1) + ". " + d.get("NO_INDEX_AYAT") + "\t" + d.get("NO_SURAT") + "\t" + d.get("NO_AYAT")+ 
               "\t" + d.get("TEXT_INDO") + "\t" + d.get("TEXT_ARAB"));

    

    reader.close();        
  

如何显示使用 tf-idf 和余弦相似度计算的结果?

【问题讨论】:

***.com/a/39186002/8430173 【参考方案1】:

除非我遗漏了什么,否则你已经完成了。干得好!

默认使用的相似性算法是DefaultSimilarity,但您可以在它的基类TFIDFSimilarity 中找到大部分文档(和逻辑)。

而 TFIDFSimilarity 确实是 TF-IDF 和余弦相似度评分模型的实现。

【讨论】:

谢谢 femtoRgon。你能举出使用 TFIDFSimilarity 和 DefaultSimilarity 的程序代码示例吗?我尝试计算 TF-idf 但不要使用 Lucene 中的模块,这是我的代码:但效果较差,因为它的值被插入到变量中,如何使用代码示例和 DefaultSimilarity TFIDFSimilarity? 谢谢 femtoRgon。你能举出使用 TFIDFSimilarity 和 DefaultSimilarity 的程序代码示例吗?我试图计算 TF-idf 但不要使用 Lucene 中的模块: TermFreqVector tfv = ir.getTermFreqVector(docNum, "TEXT_INDO");字符串术语[] = tfv.getTerms(); int termCount = terms.length; int freqs[] = tfv.getTermFrequencies(); for(int t=0; t 恐怕我不明白你想做什么。默认情况下,Lucene 应用了一种评分算法,与您的规范非常吻合。查询时,你会得到一个ScoreDocs 的数组,你可以从中通过ScoreDoc.score 获得分数,或者在你的情况下,当你循环通过hits 时,你可以得到hits[i].score

以上是关于如何在 Lucene 中实现 tf-idf 和余弦相似度?的主要内容,如果未能解决你的问题,请参考以下文章

Python:在 Pandas 中计算两列之间的 tf-idf 余弦相似度时出现 MemoryError

使用 sklearn 如何计算文档和查询之间的 tf-idf 余弦相似度?

在Lucene或Solr中实现高亮的策略

在Lucene或Solr中实现高亮的策略

Python中N-Gram、tf-idf和余弦相似度的简单实现

Python中N-Gram、tf-idf和余弦相似度的简单实现