3

我想创建一个在其数据库中搜索类似文档的应用程序；例如。用户上传了一个文档（文本、图像等），我想查询我的应用程序是否有类似的。

我已经为该过程创建了必要的算法（指纹、特征提取、散列、散列比较等），我正在寻找一个框架，它将所有这些结合起来。

例如，如果我要在 Lucene 中实现它，我会执行以下操作：

  • 创建一个自定义的“tokenizer”和“stemmer”（~特征提取和指纹）
  • 比将创建的元素添加到 Lucene 索引
  • 最后使用 MoreLikeThis 类查找相似的文档

所以，基本上 Lucene 可能是一个不错的选择——但据我所知，Lucene 并不是一个文档相似性搜索引擎，而是一个基于术语的搜索引擎。

我的问题是：是否有任何可能适合上述问题的应用程序/框架？

谢谢，克里斯

更新：我上面描述的过程似乎被称为基于内容的媒体（声音、图像、视频）。检索。

有很多项目为此使用了 Lucene，请参阅：http ://wiki.apache.org/lucene-java/PoweredBy（Lire、Alike 等），但仍然没有找到任何专用框架...

4

2 回答 2

0

如果我说得对，您有自己的数据库，并且您在用户上传时/之后在数据库中搜索其是否重复或复制/类似。

如果是这样的话，相比之下，域是非常大的..

1）对于图像，你必须使用模式匹配，很少有论文可用于图像重复查找器，在网上搜索它们你会得到很多选项，

2）对于 Document 再次有特征划分

  1. 医生（x）
  2. PDF格式
  3. TXT
  4. RTF等。

每个文件都有不同的属性，现在这里Lucene可以帮助你，但它的搜索引擎，

在搜索语言模式时，我们需要检查很多事情，因为您正在搜索相似（不完全相同）。

所以，模糊语言程序会派上用场。

这个要求太大了，论坛页面无论如何都不足以解释一切，我希望这么多就可以了

于 2013-05-13T11:58:47.580 回答
0

由于您使用的是 Lucene，因此您可能会看一下 SOLR。我确实意识到它也不是一个专用于您的目的的框架，但它确实在 Lucene 之上添加了一些非常方便的东西。鉴于 Lucene 的可插拔性、它的跟踪记录以及那里有大量有用资源的事实，SOLR 可能会帮助您完成工作。

此外，@mindas 指出的答案是指向博客文章的链接，该文章描述了如何使用 SOLR 实现目标的技术细节（但同时您可能已经阅读过）。

于 2013-05-13T12:06:52.720 回答