【发布时间】：2014-10-28 09:43:09
【问题描述】：
我对 Lucene 的索引结构非常陌生，所以请告诉我这是否有意义，或者我是否想用锤子钻孔。
要点/概述
我认为我需要用我自己的数字（即表示概率（即 [0,1] 的值 [0,100]）或用作衡量证据的另一个数字来覆盖 Lucene 的词频词频的位置。是否可以在索引时覆盖词频值，以便该数字实际存储在 Lucene 索引中（而不是 Lucene 使用的正常词频）？
详细说明：
我的文件可能不包含文本或文本很少。相反，大多数（或被视为）带有元信息的数字工件。此元信息是从分类器和其他机器学习方法（例如，基于对象识别、颜色直方图或证据组合）获得的学习概念概率。这是一个非常简单的示例，其中图像被分类（很有可能）包含一棵树并且还描绘了一座房子。
filepath: /pics/1.jpg
meta: tree = 0.9
meta: house = 0.8
meta: dog = 0.0
... (up to 10000 meta fields)
另一个展示了一条狗，一栋房子，但没有一棵树。
filepath: /pics/2.jpg
meta: tree = 0.0
meta: house = 0.3
meta: dog = 1.0
... (up to 10000 meta fields)
每个元标记都存储在一个名为“元”的单独文档字段中，以便通过将搜索定向到它来使所有这些都可搜索。每个字段都包含作为单词或短语的概念，并被视为一个标记。
因此，对于图 1 和图 2 的内容，我主要有外部证据来源，我知道这主要超出了经典 TF-IDF 范式的范围。我想将这些概率（对于“元”字段）插入到 Lucene 的评分方案中，以搜索这些元信息标记并将这些概率带入分数，就像 TF-IDF 一样。如果我搜索 meta:tree AND meta:dog 我想找到第二个文档，如果评分使用这些新的概率 TF，这可以实现。因此，如果我可以修改每个元概念（树、房子和狗）的概率及其 TF，那么我可以将其包含到 Lucene 中而无需更改所有其余部分。
这有意义吗？ Lucene 是否对索引提供了如此低级别的修改？我的方向正确吗？
【问题讨论】：
-
有很多选项。你能提供更多关于你想要做什么的细节吗？这可能是相关的stackoverflow.com/questions/8880396/…
-
我详细阐述了文本以使其更清晰。我希望它有所帮助。