在 Lucene 分类器中使用多个叶子

Question

我正在尝试在 lucene 中使用 KNearestNeighbour 分类器。文档分类器在其构造函数中接受一个leafReader，用于训练分类器。 问题是，我用来训练分类器的索引有多个叶子。但是该类的构造函数只接受一个叶子，我找不到将剩余的 LeafReaders 添加到类的过程。我可能会错过一些东西。谁能帮我解决这个问题？

这是我目前使用的代码：

    FSDirectory index = FSDirectory.open(Paths.get(indexLoc));
    IndexReader reader = DirectoryReader.open(index);
    LeafReaderContext leaf = leaves.get(0);
    LeafReader atomicReader = leaf.reader();
    KNearestNeighborDocumentClassifier knn = new KNearestNeighborDocumentClassifier(atomicReader, BM25, null, 10, 0, 0, "Topics", field2analyzer, "Text");

Answer 1

叶子代表索引的每个部分。在性能和资源使用方面，您应该迭代叶子，为每个细分运行分类并累积您的结果。

for (LeafReaderContext context : indexReader.getContext().leaves()) {
  LeafReader reader = context.reader();
  // run for each leaf
}

如果不可能，您可以使用SlowCompositeReaderWrapper，顾名思义，它可能会非常慢，因为它会即时聚合所有叶子。

LeafReader singleLeaf = SlowCompositeReaderWrapper.wrap(indexReader);
// run classifier on singleLeaf

根据您的 Lucene 版本，它位于 lucene-core 或 lucene-misc（我认为从 Lucene 6.0 开始）。此外，此类已被弃用并计划在 Lucene 7.0 中删除。

第三个选项可能是运行forceMerge(1)，直到你只有一个段，你可以为此使用单叶。但是，强制合并到单个段还有其他问题，可能不适用于您的用例。如果您的数据是一次写入然后仅用于读取，则可以使用 forceMerge。如果您有定期更新，您最终将不得不使用第一个选项并自己汇总分类结果。