递归确定lucene中的相似性

Question

我收藏了多种语言的书籍。我需要根据它们的相似性将每本书的各个部分相互链接。我需要将书籍链接到类似的书籍，将章节链接到类似的章节，将子章节链接到类似的子章节。

最好，相似度度量还考虑下一个最高级别的相似度，所以当我想比较两章时，它会首先检查章节所属的书籍彼此之间的相似度，并将其用作一个基线。我想这部分我必须手动实现，但我想知道如何有效地进行分层链接。

有没有办法告诉 lucene 索引中的文档遵循层次结构，其中书籍由章节组成，章节由子章节组成（哪些是要存储的实际文档）？如果是这样，书籍和章节可以在运行时通过组合它们组成的文档来构建。 lucene 有办法做到这一点吗？

一种简单的替代方法是为每个分辨率级别创建单独的索引，即一个用于书籍，一个用于章节，一个用于子章节。但这似乎不优雅，考虑到我会在不同的索引中获得不同的逆文档频率值，我不确定这是否会奏效。这就引出了第二个问题：有没有办法让 lucene 只考虑某些文档作为其 tf-idf 计算的参考类？

Answer 1

如果级别数是预先确定的，那么您可以使用分组功能http://lucene.apache.org/core/4_9_0/grouping/org/apache/lucene/search/grouping/package-summary.html

我不知道它是否适用于多值字段，如果是，那么它也可以处理多个级别的分组（层次结构相似性）。您当然可以为不同的级别使用不同的字段。

我还体验过另一种方法 - 在快速 NoSQL 数据库中对文档 ID 进行分组，当 lucene 返回文档时，您可以在 NoSQL 中搜索类似文档的 ID，然后再返回 lucene。但是，这种方法可能会导致其他问题（即总点击数，因为 lucene 即使不返回结果也会返回总点击数，但分组很可能会改变这个数字。