features - solr vs elasticsearch 2018

Puntuación de campo solr multivalente

Question

Si tengo un documento con un campo multivalor en Solr, ¿los valores múltiples se califican de forma independiente o simplemente se concatenan y se califican como un campo grande? Espero que sean puntuados de manera independiente. Aquí hay un ejemplo de lo que quiero decir:

Tengo un documento con un campo para el nombre de una persona, donde puede haber varios nombres para la misma persona. Los nombres son todos diferentes (muy diferentes en algunos casos) pero todos son la misma persona / documento.

Persona 1: David Bowie, David Robert Jones, Ziggy Stardust, Thin White Duke

Persona 2: David Letterman

Persona 3: David Hasselhoff, David Michael Hasselhoff

Si tuviera que buscar a "David", me gustaría que todos estos tengan más o menos la misma posibilidad de un partido. Si cada nombre se califica independientemente, parece ser el caso. Si solo se almacenan y se buscan como un solo campo, David Bowie sería castigado por tener muchos más símbolos que los demás. ¿Cómo maneja Solr este escenario?

Answer 1

podría usar Lucenes SweetSpotSimilarity para definir la meseta de longitudes que deberían tener una norma de 1.0. esto podría ayudarte con tu situación, siempre y cuando estés buscando cosas como nombres, etc. lengthNorm no sirve de nada.

Answer 2

Simplemente puede ejecutar su consulta q=field_name:David con debugQuery=on y ver qué pasa.

Estos son los resultados (incluido el puntaje a través de fl=*,score ) ordenados por score desc :

<doc>
<float name="score">0.4451987</float>
<str name="id">2</str>
<arr name="text_ws">
<str>David Letterman</str>
</arr>
</doc>
<doc>
<float name="score">0.44072422</float>
<str name="id">3</str>
<arr name="text_ws">
<str>David Hasselhoff</str>
<str>David Michael Hasselhoff</str>
</arr>
</doc>
<doc>
<float name="score">0.314803</float>
<str name="id">1</str>
<arr name="text_ws">
<str>David Bowie</str>
<str>David Robert Jones</str>
<str>Ziggy Stardust</str>
<str>Thin White Duke</str>
</arr>
</doc>

Y esta es la explicación:

<lst name="explain">
<str name="2">
0.4451987 = (MATCH) fieldWeight(text_ws:David in 1), product of: 1.0 = tf(termFreq(text_ws:David)=1) 0.71231794 = idf(docFreq=3, maxDocs=3) 0.625 = fieldNorm(field=text_ws, doc=1)
</str>
<str name="3">
0.44072422 = (MATCH) fieldWeight(text_ws:David in 2), product of: 1.4142135 = tf(termFreq(text_ws:David)=2) 0.71231794 = idf(docFreq=3, maxDocs=3) 0.4375 = fieldNorm(field=text_ws, doc=2)
</str>
<str name="1">
0.314803 = (MATCH) fieldWeight(text_ws:David in 0), product of: 1.4142135 = tf(termFreq(text_ws:David)=2) 0.71231794 = idf(docFreq=3, maxDocs=3) 0.3125 = fieldNorm(field=text_ws, doc=0)
</str>
</lst>

Los factores de puntuación aquí son:

• termFreq : con qué frecuencia aparece un término en el documento
• idf : con qué frecuencia aparece el término en el índice
• fieldNorm : importancia del término, dependiendo del aumento del tiempo de indexación y la longitud del campo

En su ejemplo, fieldNorm hace la diferencia. Usted tiene un documento con menor termFreq (1 en lugar de 1.4142135) ya que el término aparece solo una vez, pero esa coincidencia es más importante debido a la longitud del campo.

El hecho de que su campo sea multiValuado no cambia la puntuación. Supongo que sería lo mismo con un solo campo de valor con el mismo contenido. Solr funciona en términos de longitud de campo y términos, entonces, sí, David Bowie es castigado por tener muchas más fichas que los demás. :)

ACTUALIZAR
De hecho, creo que David Bowie merece su oportunidad. Como se explicó anteriormente, fieldNorm hace la diferencia. Agregue el atributo omitNorms=true a su campo text_ws en schema.xml y schema.xml . La misma consulta le dará el siguiente resultado:

<doc>
<float name="score">1.0073696</float>
<str name="id">1</str>
<arr name="text">
<str>David Bowie</str>
<str>David Robert Jones</str>
<str>Ziggy Stardust</str>
<str>Thin White Duke</str>
</arr>
</doc>
<doc>
<float name="score">1.0073696</float>
<str name="id">3</str>
<arr name="text">
<str>David Hasselhoff</str>
<str>David Michael Hasselhoff</str>
</arr>
</doc>
<doc>
<float name="score">0.71231794</float>
<str name="id">2</str>
<arr name="text">
<str>David Letterman</str>
</arr>
</doc>

Como puede ver ahora, el termFreq gana y termFreq no se tiene en cuenta en absoluto. Es por eso que los dos documentos con dos ocurrencias de David están en la parte superior y con el mismo puntaje, a pesar de sus diferentes longitudes, y el documento más corto con solo un partido es el último con el puntaje más bajo. Aquí está la explicación con debugQuery=on :

<lst name="explain">
<str name="1">
1.0073696 = (MATCH) fieldWeight(text:David in 0), product of: 1.4142135 = tf(termFreq(text:David)=2) 0.71231794 = idf(docFreq=3, maxDocs=3) 1.0 = fieldNorm(field=text, doc=0)
</str>
<str name="3">
1.0073696 = (MATCH) fieldWeight(text:David in 2), product of: 1.4142135 = tf(termFreq(text:David)=2) 0.71231794 = idf(docFreq=3, maxDocs=3) 1.0 = fieldNorm(field=text, doc=2)
</str>
<str name="2">
0.71231794 = (MATCH) fieldWeight(text:David in 1), product of: 1.0 = tf(termFreq(text:David)=1) 0.71231794 = idf(docFreq=3, maxDocs=3) 1.0 = fieldNorm(field=text, doc=1)
</str>
</lst>