frameworks - 文档相似度框架

Question

我想创建一个在其数据库中搜索类似文档的应用程序；例如。用户上传文档(文本、图像等)，我想在我的应用程序中查询类似的文档。

我已经为该过程创建了必要的算法(指纹识别、特征提取、散列、散列比较等)，我正在寻找一个将所有这些结合起来的框架。

例如，如果我要在 Lucene 中实现它，我会执行以下操作:

• 创建自定义“tokenizer”和“stemmer”(〜特征提取和指纹识别)
• 将创建的元素添加到 Lucene 索引
• 最后使用 MoreLikeThis 类查找相似文档

所以，基本上 Lucene 可能是一个不错的选择 - 但据我所知，Lucene 并不是一个文档相似性搜索引擎，而是一个基于术语的搜索引擎。

我的问题是:是否有任何应用程序/框架可能适合上述问题？

谢谢，克丽丝

更新:我上面描述的过程似乎称为基于内容的媒体(声音、图像、视频)检索。

有很多项目为此使用 Lucene，请参阅:http://wiki.apache.org/lucene-java/PoweredBy (Lire，Alike等)，但还是没有找到专门的框架...

Answer 1

由于您使用的是 Lucene，您可能会看看 SOLR。我确实意识到它也不是一个专门用于您目的的框架，但它确实在 Lucene 之上添加了一些非常方便的东西。鉴于 Lucene 的可插拔性、它的业绩记录以及那里有大量有用资源的事实，SOLR 可能会帮助您完成工作。

另外，answer @mindas 指出，链接到 the blog post描述如何使用 SOLR 实现您的目标的技术细节(但您可能已经同时阅读过)。