Solr：分数百分比

首先，我已经看到了lucene 文档这告诉我们不要以百分比形式生成分数：

人们经常想要计算 Lucene 分数的“百分比” 确定什么是“100% 完美”匹配与“50%”匹配。这是 也称为“标准化分数”

不要这样做。

严重地。不要再试图以这种方式思考你的问题，事实并非如此 会有好的结局。

由于这些建议，我使用了另一种方法来解决我的问题。

However，lucene的论证有几点我不太明白为什么它们在某些情况下会出现问题。

对于以下情况这个帖子，我可以很容易地理解为什么它不好：如果用户进行搜索并看到以下结果：

• 产品A：5星
• 产品B：2星
• 产品C：1星

如果 ProductA 在第一次搜索后被删除，那么用户下次再来时，如果看到以下结果，他会感到惊讶：

• 产品B：5星
• 产品C：3星

那么，这个问题这正是 Lucene 的文档所指出的.

现在，我们再举一个例子。

想象一下我们有一个电子商务网站正在使用“经典搜索”结合拼音搜索。此处的拼音搜索是为了避免由于拼写错误而导致最大数量的空结果。相对于经典搜索的分数，拼音结果的分数非常低。

在这种情况下，第一个想法是只返回具有至少为最高分数的 10%。即使使用经典搜索，低于此阈值的结果也不会被视为与我们相关。

如果我这样做的话我没有这个问题上面的帖子的原因是，如果删除文档，如果旧的第二个产品成为第一个产品，那么似乎合乎逻辑，并且用户不会感到非常惊讶（这与我将分数保留为浮点值的行为相同）。

此外，如果语音搜索的分数非常低，正如我们预期的那样，我们将保持相同的行为，仅返回相关分数。

So 我的问题是：按照 Lucene 建议的方式标准化分数总是不好吗？我的例子是一个例外还是即使对于我的例子来说这样做也是一个坏主意？

正如您所讨论的，Lucene 分数值仅与表达一场比赛中每场比赛的相对强度set比赛数。在一组特定搜索结果的上下文中，特定记录的分数已没有绝对的意义.

因此，唯一合适的分数标准化是标准化结果集中文档的相关性之间的关系，即使这样，您也需要非常小心地使用此信息。

考虑这个结果集，我们在其中检查每条记录的分数与紧接之前的结果:

ProductA         (Let's pretend the score is 10)
ProductB:  97%   (9.7)
ProductC:   8.5% (.82)
ProductD: 100%   (.82)
ProductE: 100%   (.82)
ProductF:  24%   (.2)

在这种情况下，前两个结果具有非常相似的分数，而接下来的三个结果具有相同的分数但显着落后。这些数字显然不会与在线购物者分享，但低relativeProductC 和 ProductF 的分数代表急剧下降，您可以could使用它们来通知其他显示选项。也许 ProductA 和 ProductB 会以比其他字体更大的字体显示。如果在急剧下跌之前只有一种产品出现，它可能会得到更特别的突出显示。

我警告不要完全压制相对地得分较低的结果在这种寻找中。正如您在示例中已经证明的那样，相对分数可能会产生误导，除非您的相关性经过非常精细的调整，否则最相关的文档可能并不总是最合适的。如果由于单个记录碰巧重复搜索词足够多次而赢得了出色的分数，从而导致所需的结果被丢弃，那么这对您没有任何好处，这是一个真正的威胁。

例如，"Hamilton Beach Three-In-One Convection Toaster Oven"将在搜索中匹配八分之一的单词toaster, while "ToastMaster Toast Toaster Toasting Machine TOASTER"根据您的索引方式，将匹配七个单词中的多达五个。 （这两个产品名称都是完全虚构的，但我希望第二个名称看起来不太有信誉。）

Also, 所有退回的文件是匹配的，无论他们的分数有多低。有时，排名较低的结果是用户真正想要的黑马发现。用户将not了解除非您告诉他们，否则存在超出他们所看到的匹配文档，因此您可能会将尾随结果隐藏在“第 2 页”或剪切后面，但您可能不想阻止它们。让用户了解结果集的大小还可以帮助他们决定如何微调搜索。使用分数的显着下降作为分页的阈值可能非常有趣，但可能是一个具有挑战性的实现。