4

据我了解Solr 的打分函数，以下两个查询应该是等价的。

即，score(q1, d) = score(q2, d)对于语料库中的每个文档d。

查询一：evolution OR selection OR germline OR dna OR rna OR mitochondria

查询 2：(evolution OR selection OR germline) OR (dna OR rna OR mitochondria)

这些查询显然在逻辑上是等价的（它们都返回相同的文档集）。此外，两个查询都包含相同的 6 个词，并且每个词在两个查询中都有 1 的提升。因此，每个术语都应该对总分有相同的贡献（相同的 TF、相同的 IDF、相同的提升）。

尽管如此，查询并没有给出相同的分数。

通常，术语的连词 ( a OR b OR c OR d) 与查询的连词 ( (a OR b) OR (c OR d)) 不同。这两种查询在语义上有什么区别？是什么导致他们产生不同的分数？

我问的原因是我正在构建一个自定义请求处理程序，在其中我构造第二种类型的查询（查询的结合），而我实际上可能需要构造第一种类型的查询（术语的结合）。换句话说，这就是我正在做的事情：

Query q1 = ... //conjunction of terms evolution, selection, germline
Query q2 = ... //conjunction of terms dna, rna, mitochondria
Query conjunctionOfQueries = new BooleanQuery();
conjunctionOfQueries.add(q1, BooleanClause.Occure.SHOULD);
conjunctionOfQueries.add(q2, BooleanClause.Occure.SHOULD);

虽然也许我实际上应该这样做：

List<String> terms = ... //extract all 6 terms from q1 and q2
List<TermQuery> termQueries = ... //create a new TermQuery from each term in terms
Query conjunctionOfTerms = new BooleanQuery();
for (TermQuery t : termQueries) {
    conjunctionOfTerms.add(t, BooleanClause.Occure.SHOULD);
}
4

1 回答 1

4

我已按照femtoRgon 的建议检查分数计算的调试元素。我发现这些计算在数学上确实是等价的。唯一的区别是在查询联合计算中我们存储中间结果。更准确地说，我们将每个子查询总和的贡献存储在一个变量中。显然，为了存储中间结果而停止会累积一个数值错误：每次我们存储中间结果时，我们都会失去一些准确性。由于应用程序中的实际查询非常大（不像微不足道的示例查询），因此会丢失很多准确性，累积的错误有时甚至会改变返回文档的排名顺序。

因此，术语连词查询的排名预计会比查询连词查询略好，因为查询连词查询累积了更大的数值误差。

于 2013-07-11T12:41:35.857 回答