通过 shingles 和 termvector 组件自动完成

Question

实现类似 Google 的自动完成的方法之一是在 Solr 1.4 中结合 shingles 和 termvector 组件。

首先，我们使用 shingles 组件生成所有 n-gram 分布，然后使用 termvector 获得最接近用户术语序列的预测(基于文档频率)。

架构:

<fieldType name="shingle_text_fivegram" class="solr.TextField" positionIncrementGap="100">
    <analyzer>
        <tokenizer class="solr.LowerCaseTokenizerFactory"/>
        <filter class="solr.StopFilterFactory" ignoreCase="true" words="stopwords.txt" enablePositionIncrements="false" />
        <filter class="solr.ShingleFilterFactory" maxShingleSize="5" outputUnigrams="false"/>
        <filter class="solr.RemoveDuplicatesTokenFilterFactory"/>
    </analyzer>
</fieldType>

Solr 配置:

<searchcomponent name="termsComponent" class="org.apache.solr.handler.component.TermsComponent"/>
<requesthandler name="/terms" class="org.apache.solr.handler.component.SearchHandler">
    <lst name="defaults">
        <bool name="terms">true</bool>
        <str name="terms.fl">shingleContent_fivegram</str>
    </lst>
    <arr name="components">
        <str>termsComponent</str>
    </arr>
</requesthandler>

通过上述设置，我需要将停用词放在 n-gram 边缘的任何位置，并将它们保留在 n-gram 序列内。

假设从序列“印度和中国”开始，我需要以下序列:

india
china
india and china

并跳过其余部分。

是否可以与其他 Solr 组件/过滤器结合使用？

UPD:这是 Lucene 4 中的一种可能解决方案(应该可以连接到 SOLR):

“您不能制作一个自定义停止过滤器，仅在输入的开头(看到的第一个标记)或输入的结尾(之后没有看到非停止词标记)删除停止词吗？它需要一些缓冲/state keeping (capture/restorteState) 但它看起来可行吗？” ——迈克尔·麦坎德利斯

来自:http://blog.mikemccandless.com/2013/08/suggeststopfilter-carefully-removes.html

Answer 1

在 Solr 1.4 中进行多词自动完成的最佳方法是使用 EdgeNGramFilterFactory，因为您需要在他/她键入时匹配用户输入。所以你需要匹配“i”、“in”、“ind”等来暗示印度。