实现类似 Google 的自动完成的方法之一是在 Solr 1.4 中结合 shingles 和 termvector 组件。
首先,我们使用 shingles 组件生成所有 n-gram 分布,然后使用 termvector 获得最接近用户术语序列的预测(基于文档频率)。
架构:
<fieldType name="shingle_text_fivegram" class="solr.TextField" positionIncrementGap="100">
<analyzer>
<tokenizer class="solr.LowerCaseTokenizerFactory"/>
<filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt" enablePositionIncrements="false" />
<filter class="solr.ShingleFilterFactory" maxShingleSize="5" outputUnigrams="false"/>
<filter class="solr.RemoveDuplicatesTokenFilterFactory"/>
</analyzer>
</fieldType>
Solr 配置:
<searchcomponent name="termsComponent" class="org.apache.solr.handler.component.TermsComponent"/>
<requesthandler name="/terms" class="org.apache.solr.handler.component.SearchHandler">
<lst name="defaults">
<bool name="terms">true</bool>
<str name="terms.fl">shingleContent_fivegram</str>
</lst>
<arr name="components">
<str>termsComponent</str>
</arr>
</requesthandler>
通过上述设置,我需要将停用词放在 n-gram 边缘的任何位置,并将它们保留在 n-gram 序列中。
假设从“印度和中国”序列中,我需要以下序列:
india
china
india and china
并跳过其余部分。
是否可以与其他 Solr 组件/过滤器结合使用?
UPD:这是 Lucene 4 中一种可能的解决方案(应该可以连接到 SOLR):
“难道你不能制作一个自定义停止过滤器,只删除开头(看到的第一个标记)或输入结束(之后没有看到非停用词标记)的停用词吗?它需要一些缓冲/状态保持(捕获/恢复状态)但它似乎可行?” ——迈克尔·麦坎德利斯
来自:http ://blog.mikemccandless.com/2013/08/suggeststopfilter-carefully-removes.html