如何在 Lucene ( JAVA ) 的 BM25 实现中计算 avgLengthPath

Question

谁能向我解释如何在 Lucene 的 BM25 实现中计算“avgLengthPath”变量。我的理解是我必须在索引期间计算它。但仍然不清楚如何做到这一点。

提供的示例：

IndexSearcher searcher = new IndexSearcher("IndexPath");

//Load average length
BM25Parameters.load(avgLengthPath);
BM25BooleanQuery query = new BM25BooleanQuery("This is my Query", 
    "Search-Field",
    new StandardAnalyzer());

TopDocs top = searcher.search(query, null, 10);
ScoreDoc[] docs = top.scoreDocs;

//Print results
for (int i = 0; i $<$ top.scoreDocs.length; i++) {
      System.out.println(docs[i].doc + ":"+docs[i].score);
}

建议有一个方法或类来加载平均长度。

希望有任何帮助...

谢谢

Answer 1

我已经解决了这个问题，我想分享我的答案以获得任何更正或 cmets..

问题是如何计算 avgLengthPath 参数。当我查看采用此参数的方法时：load() 可以看出它需要一个字符串，它是包含平均长度的文件的路径。所以 avgLengthPath 会是这样的：

/Users/admib/Study/avgLength

load()方法如下：

    public static void load(String path) throws NumberFormatException,
        IOException {
    BufferedReader in = new BufferedReader(new FileReader(path));
    String line;
    while (null != (line = in.readLine())) {
        String field = line;
        Float avg = new Float(in.readLine());
        BM25Parameters.setAverageLength(field, avg);
    }
    in.close();
}

现在，免得看看如何创建这样的文件。我们可以看到上述方法逐行读取文件，并将每两行发送到另一个名为BM25Parameters.setAverageLength()的方法。 avgLengthPath 文件的格式应该是这样的：

CONTENT 
459.2903f
ANCHOR
84.55523f

其中第一行是文件名，第二行是该字段的平均长度。 此外，第三行是另一个字段，第四行是该字段的平均长度。

此类文件的问题是我们无法从 Lucene 的默认位置获取文档长度。为了克服这个问题，我重新索引了我的集合并将文档长度添加为 Lucene 索引的字段之一。

首先我创建了一个方法，它接受一个文件并将文档长度作为字符串返回。我叫它getDocLength(File f):

    public static String getDocLength(File f) throws IOException {
    FileInputStream stream = new FileInputStream(f);
    try {
        FileChannel fc = stream.getChannel();
        MappedByteBuffer bb = fc.map(FileChannel.MapMode.READ_ONLY, 0, fc.size());

        String doc = Charset.defaultCharset().decode(bb).toString();
        int length  = doc.length();
        return Integer.toString(length);
    } finally {
        stream.close();
    }
}

在索引过程中调用该方法添加文档长度字段如下：

 protected Document getDocument(File f) throws Exception {
    Document doc = new Document();
    String docLength = Integer.toString(io.getDocLength(f));
    doc.add(new Field("contents", new FileReader(f), Field.TermVector.YES));
    doc.add(new Field("docLength", i, Field.Store.YES, Field.Index.NOT_ANALYZED));
    doc.add(new Field("filename", f.getName(), Field.Store.YES, Field.Index.NOT_ANALYZED));
    doc.add(new Field("fullpath", f.getCanonicalPath(), Field.Store.YES, Field.Index.NOT_ANALYZED));         
    return doc;
}

最后，我创建了一个方法，循环遍历索引中的所有文档并计算平均文档长度，最后将结果以正确的格式保存到 avgLengthPath 文件中。我把这个方法称为generateAvgLengthPathFile()：

    public static void generateAvgLengthPathFile(String luceneIndexPath, String outputFilePath) {
    try {
        Directory dir = FSDirectory.open(new File(luceneIndexPath));
        IndexReader reader = IndexReader.open(dir);
        int totalLength = 0;
        //here we loop through all the docs in the index 
        for (int i = 0; i < reader.maxDoc(); i++) {
            if (reader.isDeleted(i)) {
                continue;
            }
            Document doc = reader.document(i);
            totalLength += Integer.parseInt(doc.get("docLength"));
        }
        //calculate the avarage length
        float avarageLength = totalLength * 1.0f / reader.maxDoc() * 1.0f;
        //create the a String varibale with the correct formate
        String avgLengthPathFile = "contents" + "\n" + avarageLength;

        //finally, save the file 
        Writer output = null;
        String text = "contents" + "\n" + avarageLength;
        File file = new File(outputFilePath);
        output = new BufferedWriter(new FileWriter(file));
        output.write(text);
        output.close();

    } catch (Exception e) {
System.err.println(e);
    }
}