基于LuceneXML文件相似度检索系统①.PDFVIP

计 算 机 系 统 应 用 2015 年 第 24 卷 第 2 期 ① 基于 Lucene 的XML 文件相似度检索系统 吴新强, 周 娅, 王如意, 张敬伟, 林煜明 (桂林电子科技大学 计算机科学与工程学院, 桂林 541004) 摘 要: 经分析研究开源的 Lucene 系统架构以及特殊 xml 数据源, 针对 Lucene 搜索得分公式的不足, 提出了结 合词项位置和二次检索的公式, 设计一种文本搜索系统; 并以提高检索性能、相似性搜索的准确率、索引的空间 效率和支持查询的时间效率为目标进行实验, 最后通过部署 Tomcat 服务器实现. 经实验验证, 改进的系统较之 于原 Lucene 系统提高了建立索引效率、查询效率、准确率. 关键词: Web Lucene; 相似度; 词项位置; 二次检索; XML XML File Similarity Retrieval System Based on Lucene WU Xin-Qiang, ZHOU Ya, WANG Ru-Ri, ZHANG Jin-Wei, LIN Yu-Ming (School of Computer Science and Engineering, Guilin University of Electronic Technology, Guilin 541004, China) Abstract: On the basis of analysis and study on the open source Lucene system architecture, a semantic search system is designed based on the special XML data sources in this paper. What’s more, we use the word item location and word semantic to improve the Lucene’s search results and conduct experiments to test and verify the retrieval performance, the accuracy of similarity search, the space efficiency of index and the time-efficiency of supporting inquiry: And finally by deploying the Tomcat server to implement our implement system. The experiment results prove that compared with the original Lucene indexing system, our system can improve the indexing efficiency, query efficiency and accuracy. Key words: Lucene; similarity; lexical item location; secondary retrieval; XML 与传统的目录索引、关键字索引相比, 语义索引 构由问题单 XML 文档构成, 除了编号以外, 还包括问 方式更加接近人类的生活方式, 使检索系统与用户的 题单号、简要描述、详细描述四个域, 分别从简到详进 交流越发人性化. 但因为汉语中语义的多样性和复杂 行描述. 其中问题单号可以看成查询中关键词的重量 性, 当前还没有很好的支持汉语的自然语言搜索引擎. 级词项, 而简要描述和详细描述则可看成对问题单号 Lucene[1] 中提到其本身不是一个相对完整的全文 的具体描述信息. 搜索引擎,而是一个简单的架构应用与全文搜索引擎.