Lucene评分算法解释

转载: http://www.hankcs.com/program/java/lucene-scoring-algorithm-explained.html

Lucene的IndexSearcher提供一个explain方法，能够解释Document的Score是怎么得来的，具体每一部分的得分都可以详细地打印出来。这里用一个中文实例来纯手工验算一遍Lucene的评分算法，并且结合Lucene的源码做一个解释。

首先是测试用例，我使用“食品安全”来检索一个含有title与content域的文档。

然后是是输出，注意它有缩进，代表一个个的层级：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
5.6394258 = (MATCH) sum of:
  5.3901243 = (MATCH) sum of:
    3.2243047 = (MATCH) weight(title:食品 in 361) [DefaultSimilarity], result of:
      3.2243047 = score(doc=361,freq=1.0 = termFreq=1.0
), product of:
        0.66116947 = queryWeight, product of:
          5.5733356 = idf(docFreq=14, maxDocs=1453)
          0.11863084 = queryNorm
        4.876669 = fieldWeight in 361, product of:
          1.0 = tf(freq=1.0), with freq of:
            1.0 = termFreq=1.0
          5.5733356 = idf(docFreq=14, maxDocs=1453)
          0.875 = fieldNorm(doc=361)
    2.16582 = (MATCH) weight(title:安全 in 361) [DefaultSimilarity], result of:
      2.16582 = score(doc=361,freq=1.0 = termFreq=1.0
), product of:
        0.5418835 = queryWeight, product of:
          4.5678134 = idf(docFreq=40, maxDocs=1453)
          0.11863084 = queryNorm
        3.9968367 = fieldWeight in 361, product of:
          1.0 = tf(freq=1.0), with freq of:
            1.0 = termFreq=1.0
          4.5678134 = idf(docFreq=40, maxDocs=1453)
          0.875 = fieldNorm(doc=361)
  0.24930152 = (MATCH) sum of:
    0.17587993 = (MATCH) weight(content:食品 in 361) [DefaultSimilarity], result of:
      0.17587993 = score(doc=361,freq=13.0 = termFreq=13.0
), product of:
        0.43032452 = queryWeight, product of:
          3.6274254 = idf(docFreq=104, maxDocs=1453)
          0.11863084 = queryNorm
        0.40871462 = fieldWeight in 361, product of:
          3.6055512 = tf(freq=13.0), with freq of:
            13.0 = termFreq=13.0
          3.6274254 = idf(docFreq=104, maxDocs=1453)
          0.03125 = fieldNorm(doc=361)
    0.073421605 = (MATCH) weight(content:安全 in 361) [DefaultSimilarity], result of:
      0.073421605 = score(doc=361,freq=11.0 = termFreq=11.0
), product of:
        0.28989288 = queryWeight, product of:
          2.4436553 = idf(docFreq=342, maxDocs=1453)
          0.11863084 = queryNorm
        0.2532715 = fieldWeight in 361, product of:
          3.3166249 = tf(freq=11.0), with freq of:
            11.0 = termFreq=11.0
          2.4436553 = idf(docFreq=342, maxDocs=1453)
          0.03125 = fieldNorm(doc=361)

这个看起来可真是头疼，尝试解释一下：

首先，需要学习Lucene的评分计算公式——

分值计算方式为查询语句q中每个项t与文档d的匹配分值之和，当然还有权重的因素。其中每一项的意思如下表所示：

表3.5

评分公式中的因子

评分因子

描 述

tf(t in d)

项频率因子——文档（d)中出现项（t)的频率

idf(t)

项在倒排文档中出现的频率：它被用来衡量项的“唯一”性.出现频率较高的term具有较低的idf,出现较少的term具有较高的idf

boost(t.field in d)

域和文档的加权，在索引期间设置.你可以用该方法 对某个域或文档进行静态单独加权

lengthNorm(t.field in d)

域的归一化（Normalization)值，表示域中包含的项数量.该值在索引期间计算，并保存在索引norm中.对于该因子，更短的域（或更少的语汇单元）能获得更大的加权

coord(q,d)

协调因子（Coordination factor),基于文档中包含查询的项个数.该因子会对包含更多搜索项的文档进行类似AND的加权

queryNorm(q)

每个査询的归一化值，指毎个查询项权重的平方和

总匹配分值的计算

具体到上面的测试来讲，每个文档有两个域：title和content，最终匹配分值=查询语句在两个域中的得分之和。即最终结果5.6394258 = 5.3901243 + 0.24930152。

查询语句在某个域匹配分值计算

这个5.3901243是如何来的呢？查询语句有两个项t:"食品"和"安全"。所以计算结果等于这两部分的和：“食品”在title中的匹配分值 + “安全”在title中的匹配分值。即 5.3901243 = 3.2243047 + 2.16582 。

某个项在某个域的匹配分值的计算

接下来我们看看“食品”在title中的匹配分值 3.2243047 是怎么算出来的。t在field中的分值score = 查询权重queryWeight * 域权重fieldWeight，即 3.2243047 = 0.66116947 * 4.876669 。

 

queryWeight的计算

queryWeight的计算可以在TermQuery$TermWeight.normalize(float)方法中看到计算的实现：

1
2
3
4
5
6
public void normalize(float queryNorm) {
this.queryNorm = queryNorm;
//原来queryWeight 为idf*t.getBoost()，现在为queryNorm*idf*t.getBoost()。
queryWeight *= queryNorm;
value = queryWeight * idf;
}

其实默认情况下，queryWeight = idf * queryNorm，因为Lucene中默认的boost = 1.0。

查询权重queryWeight 0.66116947 的计算方法：查询权重queryWeight = idf * queryNorm，即 0.66116947 = 5.5733356 * 0.11863084。

idf的计算

idf是项在倒排文档中出现的频率，计算方式为

1
2
3
4
5
/** Implemented as <code>log(numDocs/(docFreq+1)) + 1</code>. */
  @Override
  public float idf(long docFreq, long numDocs) {
    return (float)(Math.log(numDocs/(double)(docFreq+1)) + 1.0);
  }

docFreq是根据指定关键字进行检索，检索到的Document的数量，我们测试的docFreq=14；numDocs是指索引文件中总共的Document的数量，我们测试的numDocs=1453。用计算器验证一下，没有错误，这里就不啰嗦了。

queryNorm的计算

queryNorm的计算在DefaultSimilarity类中实现，如下所示：

1
2
3
4
/** Implemented as <code>1/sqrt(sumOfSquaredWeights)</code>. */
public float queryNorm(float sumOfSquaredWeights) {
    return (float)(1.0 / Math.sqrt(sumOfSquaredWeights));
}

这里，sumOfSquaredWeights的计算是在org.apache.lucene.search.TermQuery.TermWeight类中的sumOfSquaredWeights方法实现：

    

1
2
3
4
public float sumOfSquaredWeights() {
      queryWeight = idf * getBoost();             // compute query weight
      return queryWeight * queryWeight;          // square it
    }

其实默认情况下，sumOfSquaredWeights = idf * idf，因为Lucune中默认的boost = 1.0。

上面测试例子中sumOfSquaredWeights的计算如下所示：

sumOfSquaredWeights = 5.5733356 * 5.5733356 + 4.5678134 * 4.5678134 + 3.6274254 * 3.6274254 + 2.4436553 * 2.4436553 = 71.05665522523017；

上面的四个weight分别来自 {食品, 安全} * {title, content} 这四个组合。

然后，就可以计算queryNorm的值了，计算如下所示：

queryNorm = (float)(1.0 / Math.sqrt(71.05665522523017) = 0.11863084386918748683822481722352；

fieldWeight的计算

在org/apache/lucene/search/similarities/TFIDFSimilarity.java的explainScore方法中有：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
// explain field weight
    Explanation fieldExpl = new Explanation();
    fieldExpl.setDescription("fieldWeight in "+doc+
                             ", product of:");
 
    Explanation tfExplanation = new Explanation();
    tfExplanation.setValue(tf(freq.getValue()));
    tfExplanation.setDescription("tf(freq="+freq.getValue()+"), with freq of:");
    tfExplanation.addDetail(freq);
    fieldExpl.addDetail(tfExplanation);
    fieldExpl.addDetail(stats.idf);
 
    Explanation fieldNormExpl = new Explanation();
    float fieldNorm = norms != null ? decodeNormValue(norms.get(doc)) : 1.0f;
    fieldNormExpl.setValue(fieldNorm);
    fieldNormExpl.setDescription("fieldNorm(doc="+doc+")");
    fieldExpl.addDetail(fieldNormExpl);
     
    fieldExpl.setValue(tfExplanation.getValue() *
                       stats.idf.getValue() *
                       fieldNormExpl.getValue());
 
    result.addDetail(fieldExpl);

重点是这一句：

1
2
3
fieldExpl.setValue(tfExplanation.getValue() *
                       stats.idf.getValue() *
                       fieldNormExpl.getValue());

使用计算式表示就是

fieldWeight = tf * idf * fieldNorm

tf和idf的计算参考前面的，fieldNorm的计算在索引的时候确定了，此时直接从索 引文件中读取，这个方法并没有给出直接的计算。如果使用DefaultSimilarity的话，它实际上就是lengthNorm，域越长的话Norm 越小，在org/apache/lucene/search/similarities/DefaultSimilarity.java里面有关于它的计 算：

1
2
3
4
5
6
7
8
  public float lengthNorm(FieldInvertState state) {
    final int numTerms;
    if (discountOverlaps)
      numTerms = state.getLength() - state.getNumOverlap();
    else
      numTerms = state.getLength();
   return state.getBoost() * ((float) (1.0 / Math.sqrt(numTerms)));
  }

这个我就不再验算了，每个域的Terms数量开方求倒数乘以该域的boost得出最终的结果。

posted @ 2015-05-27 10:40  勿妄  阅读(1571)  评论(0)  编辑  收藏  举报