solr - 获取索引 lucene 文档子集中最常用的术语

Question

让我们假设以下场景。

• Lucene 文档:ArticleDocument

  字段:{Id、文本、publisherId}

• 发布者可以发布多篇文章。

问题

我想为每个发布商 ID 构建词云(最常见的词、带状疱疹)。

经过调查，我可以找到方法来获取整个索引或文档的最常用术语，但不能获取文档子集的最常用术语。我发现了 similar question但这是Lucene 2.x，我希望最近的Lucene中存在一种有效的方法。

请您指导我在 Lucene 4.x(首选)或 3.x(最新版本 3)中执行此操作。

请注意，我无法为每个发布者制作一个文档，并将所有文章附加到一个字段中。

那是因为我希望这些词在云中可以被搜索，相应的文章(由相同的发布者 ID)作为结果。

我不确定维护两种类型的 lucene 文档(文章和发布者)在维护和性能方面是否是一个好主意。

Answer 1

使用 Solr 4.X 版本中提供的 Pivot Faceting。枢轴分面允许您在父分面的结果中进行分面。

使用Shingle Filter Factory.在索引时为“文本”字段生成Shingled token

对于分面，请在查询中添加 facet=true&facet.pivot=publisherid,text 参数。

示例查询:

http://localhost:8983/solr/collection1/select?q=*:*&wt=json&indent=true&facet=true&facet.pivot=publisherid,text

查询将返回每个“publisherid”的频繁出现频率的木瓦/单词。