Lucene：在索引时覆盖术语频率

Question

我对Lucene的索引结构很新，所以请告诉我这是否有意义，或者我是否想用锤子钻一个洞。

要点/概述

我相信我需要用自己的一些数字覆盖Lucene的术语频率（即代表概率的值[0,100]（即[0,1]）或另一个数字作为可以采取的证据量度术语频率的位置。是否有可能在索引时覆盖术语频率值，以便该数字实际存储在Lucene索引中（而不是Lucene使用的正常术语频率）？

详细信息：

我的文件可能不包含文字或文字很少。相反，大多数（或被视为）具有元信息的数字工件。该元信息是从分类器和其他机器学习方法（例如，基于对象识别，颜色直方图或证据组合）获得的学习概念概率。这是一个非常简单的例子，其中图像被分类（具有高概率）为包含树并且还描绘了房屋。

filepath: /pics/1.jpg
meta: tree = 0.9
meta: house = 0.8
meta: dog = 0.0
... (up to 10000 meta fields)

另一个显示一只狗，一只房子，但没有一棵树。

filepath: /pics/2.jpg
meta: tree = 0.0
meta: house = 0.3
meta: dog = 1.0
... (up to 10000 meta fields)

每个元标记都存储在一个名为“meta”的单独文档字段中，以便通过将搜索引导到它来使所有元标记都可搜索。每个字段包含作为单词或短语的概念，并被视为一个标记。

所以，我主要提供了关于图1和图2的外部证据，我知道这主要是在经典的TF-IDF范式之外。我想将这些概率（对于'meta'字段）插入到Lucene的评分方案中，以搜索这些元信息标记，并将其他概率带入评分，就像TF-IDF一样。如果我搜索meta：tree AND meta：dog我想找到第二个文档，如果得分使用这些新概率TF，则可以实现这一点。因此，如果我可以用它们的概率修改每个元概念（树，房子和狗）的TF，那么我可以将其包含在Lucene中，而不会改变所有其余部分。

这有意义吗？ Lucene是否对索引提供了如此低级别的修改？我正朝着正确的方向前进吗？

Answer 1

如何对DefaultSimilarity进行子类化并覆盖tf方法？

您是否阅读过information about scoring in the Lucene doco？

Answer 2

该问题被用作LUCENE-7854的支持证据，Lucene 7.0中增加了提供您自己的词频的功能。

要使用它，请在分析仪中使用DelimitedTermFrequencyTokenFilter。