0

所以我写了一个小工具（给定一个查询）列出按查询分数排序的前 1000 个结果文档。显然，并非所有这些都是相关的。作为用户，我和其他人经常做以下事情：

  1. 看成绩
  2. 向下滚动列表，直到您看到“显着”的分数损失。

例如顶级文档的分数是这样的：4.2, 3.9, 3.9, 3.85, ..., 3.7, 0.3 , 0.3, 0.25, ... 通常我们可以说直到 3.7 分数之前的所有文档都是相关的，其余的（从 0.3 开始）都不相关。鉴于这个分数列表，这甚至是显而易见的，幸运的是，在我们的用例中它运行良好。

是否有任何最先进的算法可以在数字列表（这里是分数）中找到这样的“差距”/“损失”？

以下事实：

  • 热门文档总是相关的
  • 有一点与任何（或几乎没有）文件相关
  • 这一点可以通过分数的第一个差距来识别
4

1 回答 1

0

给定序列的天真的解决方案是在 之后进行切割3.7，但是您的算法在边缘情况下会惨遭失败。

分数的问题在于它始终是相对的，并且它的数字表达式的用途非常有限。事实上，如果语料库发生了变化，甚至不能保证同一个查询中的同一个文档是相同的。

此外，没有什么可以假设第一个命中得分4.2是“重要的”。如果查询返回所有不重要的命中怎么办？

我只是担心这个问题没有好的解决方案，主要是因为很多人认为这根本不是一个大问题。没有人关心谷歌是否提供了 199 页或 200 页的搜索结果（几乎没有人能做到这一点），所以对我来说，分页是这个问题的答案。您不会列出所有搜索结果，对吗？

于 2015-01-20T11:47:51.653 回答