Project2--Lucene的Ranking算法修改：BM25算法

原文出自：http://blog.csdn.net/wbia2010lkl/article/details/6046661

1.       BM25算法

BM25是二元独立模型的扩展，其得分函数有很多形式，最普通的形式如下：

∑ 

其中，k₁,k₂,K均为经验设置的参数，f_i是词项在文档中的频率，qf_i是词项在查询中的频率。

K₁通常为1.2，通常为0-1000

K的形式较为复杂

K=

上式中，dl表示文档的长度，avdl表示文档的平均长度，b通常取0.75

2.       BM25具体实现

由于在典型的情况下，没有相关信息，即r和R都是0，而通常的查询中，不会有某个词项出现的次数大于1。因此打分的公式score变为

∑

3.  使用Lucene实现BM25

Lucene本身的打分函数集中体现在tf·idf

为了简化实现过程，直接将代码中tf和idf函数的返回值修改为BM25打分公式的两部分。

文档的平均长度在索引建立的时候取得，同时在建立索引的过程中，将每个文档的docID与其长度，保存在一个hashMap中。

具体的函数实现如下（DefaulSimilarity类）：

其中TermScore.temp为公式中K+fi的值

Temp的计算在TermScore类中进行计算：

public float score() {

assert doc != -1;

int f = freqs[pointer];

temp=(float)(1.2*(0.25+0.75*FileSearch.docToken.get(doc))+f);

System.out.println("weightValue: "+weightValue);

float raw =  getSimilarity().tf(f)*weightValue;                                 //
compute tf(f)*weight

//f < SCORE_CACHE_SIZE                        // check cache

//? scoreCache[f]*temp                          // cache hit

//: getSimilarity().tf(f)*weightValue*temp;        // cache miss

System.out.println("score func doc id :"+doc+"
"+temp+" "+f+" "+
getSimilarity().tf(f));

System.out.println("raw value is"+raw);

return norms == null ?
raw : raw * SIM_NORM_DECODER[norms[doc]
& 0xFF];

}

值得注意的是：在lucene的得分计算中，使用explain函数可以看出，除了tf、idf的乘积之外，还有一个fieldNorm值，这个值的计算是基于索引的建立过程，与文档以及field的长度有关，综合考虑，这个值对于查询的过程还是比较有效的，因此在具体实现中，依然保存了fieldNorm的值。