java - 使用嵌套循环并返回多个值来解析 XML

Question

我有一个具有以下结构的大型 XML 文件:

<brain>
<q>
  <question> What are your hobbies? </question>
  <question> What do you do for sake of fun? </question>
  <question> How do you spend your spare time? </question>
  <question> What are your interests? </question>
  <question> What do you enjoy most? </question>
  <answer> I like [personal_info/hobby] </answer>
  <answer>[personal_info/hobby]</answer>
  <answer>I enjoy [personal_info/hobby] </answer>
</q>

<q>
  <question> Where do you live? </question>
  <question> What city do you live in? </question>
  <question> Where are you from? </question>
  <question> Where are you living? </question>
  <question> Where is your residence? </question>
  <answer> I live at [personal_info/loc] </answer>
  <answer> I am living in [personal_info/loc]</answer>
  <answer> At [personal_info/loc]</answer>
  <answer>   [personal_info/loc]</answer>
</q>
.
.
.
</brain>

您可能已经猜到，它是聊天机器人的数据库。这个想法是，用户将输入一个问题(或与此相关的任何句子)，我们基于 java 的聊天机器人将对该文件运行 XQuery。我正在使用的 XQuery 实现(称为 nux)提供了句子相似度的模糊匹配，因此将返回部分匹配的句子。下面是一些代码来说明这一点:

Nodes results = XQueryUtil.xquery(doc, "declare namespace lucene = \"java:nux.xom.pool.FullTextUtil\"; "
    + "for $q in /brain/q "
    + " for $question in $q/question"
    + " let $score := lucene:match($question, \"How are you\") "
    + " where $score > 0.1 "
    + " order by $score descending "
    + "return $q/answer");

这段代码应该遍历每个 brain/q然后 q/question如果其相似度得分大于 0.1，则应返回 <answer>里面有 <q> .问题是它返回所有答案标签。例如，如果 "What are your hobbies?"被询问，它应该返回

  <answer> I like [personal_info/hobby] </answer>
  <answer>[personal_info/hobby]</answer>
  <answer>I enjoy [personal_info/hobby] </answer>

但返回文件中找到的所有答案标签。它还会一次又一次地重复它们，次数不可预测。

你能帮我解决这个问题吗？

数据集是通过运行各种脚本生成的，由我收集并手动检查。如有必要，我可以更改 XML 的结构来解决此问题，但如果可能的话，我宁愿不这样做。

感谢您花时间阅读我的问题并考虑提供帮助。

Answer 1

我从 Lucene(或实际上是 Solr)的经验中知道；很快就达到了 0.1 的相似度分数。这可以解释为什么返回文件中的所有答案。

在我使用 Solr 的搜索系统中，我使用大约 0.4~0.6 的边界(取决于搜索的字段)。

您可以尝试显示每个问题的返回分数(如果 XQueryUtil 允许的话)；看看有多少正确的匹配你想要匹配的行。这样您就可以选择一个好的/更好的边界。

另一种方法是尝试使用一些更高的值，看看您得到的答案是否更少，然后尝试通过反复试验找到正确的值。