相关性和 Solr 分组

Question

假设我在 Solr 索引中有以下网页集合：

+-----+----------+----------------+--------------+
|  ID |  Domain  |     Path       |    Content   |
+-----+----------+----------------+--------------+
|  1  |  1.com   |  /hello1.html  |  Hello dude  |
|  2  |  1.com   |  /hello2.html  |  Hello man   |
|  3  |  1.com   |  /hello3.html  |  Hello fella |
|  4  |  2.com   |  /hello1.html  |  Hello sir   |
...

我想要查询hello 以显示按域分组的结果，例如：

Results from 1.com:
  /hello1.html
  /hello2.html
  /hello3.html

Results from 2.com:
  /hello1.html

如果我按分数排序，排序是如何确定的？我通常将 TF/IDF 和 PageRank 组合用于我的结果，但由于它计算每个单独项目的分数，它如何确定如何对组进行排序？如果 1.com/hello3.html 和 1.com/hello2.html 的相关性非常低但有两个结果，而 2.com/hello1.html 的相关性非常高但只有一个结果怎么办？或相反亦然？或者当分组字段中有多个项目时，是否对相关性求和？

我环顾四周，但无法找到一个好的答案。

谢谢。

Answer 1

在我看来，您使用的是Result Grouping。如果是这种情况，则根据sort 参数对组进行排序，并根据group.sort 参数对每个组内的记录进行排序。如果您按sort=score desc 对组进行排序（这是默认设置，因此您实际上不需要指定它），那么它会根据每个组的score 对组进行排序。这个分数是如何确定的还不是很清楚，但是如果您查看链接文档中的示例，您可以看到以下声明：

这些组按每个组中顶部文档的分数排序。

因此，在您的示例中，如果 2.com 的 hello1.html 是您的结果集中最相关的文档，那么“来自 2.com 的结果”将是您最相关的组，即使“来自 1.com 的结果”包括三个乘以文档计数。

如果这不是您想要的，您最好的选择是提供不同的sort 参数或结果后处理。例如，对于我参与的一个项目（我们的组数量非常少），我们选择为每个组提取前三个结果，在后期处理中，我们根据它们的分数和 numFound 值的组合。这种策略对于包含太多组的案例可能会让人望而却步，如果更多的组冒着使最相关的文档更难找到的风险，则可能不是一个好主意。