Xapian索引-文档检索过程分析之匹配百分比

    本文属于文档检索过程分析的一部分，重点分析文档匹配百分比（percent）的计算过程。

1 percent是什么？

    咱们以前分析的检索demo：

Xapian::Query term_one = Xapian::Query("T世界");
Xapian::Query term_two = Xapian::Query("T比赛");
Xapian::Query query = Xapian::Query(Xapian::Query::OP_OR, term_one, term_two); // query组装

std::cout << "query=" << query.get_description() << std::endl;

Xapian::Enquire enquire(db);
enquire.set_query(query);
Xapian::MSet result = enquire.get_mset(0, 10); // 执行检索，获取结果
std::cout << "find results count=" << result.get_matches_estimated() << std::endl;

for (auto it = result.begin(); it != result.end(); ++it) {
    Xapian::Document doc = it.get_document();
    std::string data = doc.get_data();
    double doc_score_weight = it.get_weight();
    /// 匹配百分比
    int doc_score_percent = it.get_percent();
    std::cout << "doc=" << data << ",weight=" << doc_score_weight << ",percent=" << doc_score_percent << std::endl;
}

percent就是 int doc_score_percent = it.get_percent(); 这里获取的文档匹配百分比。

2 为何须要percent？

    先说一下背景，作过搜索的人应该都知道BM25算法，这也是xapian内部默认的相关性打分算法，它是一个针对term作打分的公式。这个公式能够分为三个部分，第一部分跟term的idf有关，第二部分跟term在doc的权重有关，第三部分跟term在query中的权重有关（能够参考这里理论分析部分的介绍）。公式第一部分的idf是以索引库中的文档来统计的，第二部分中用到的文档平均长度，也是以索引库中的文档来计算的，当咱们的数据含有多个业务，而且每一个业务有独立的索引库时，相同term的idf在不一样索引库中差异可能很大，而idf又是BM25公式中一个很重要的因子，这就可能致使同一个query在A库中搜索出来的doc BM25打分永远比在B库中搜索出来的要高，而且，xapian的打分支持term-boost的（打分系数），乘上系数以后，BM25打分值差距可能就更大了。因此，咱们不能也不该该直接拿BM25打分来比较哪一个doc更相关，咱们须要一个归一化后的数值，这就是percent。

3 percent是怎么算出来的？

    percent是某个doc跟query的相关性归一化分值，是为作相关性打分排序而存在的，它的基本原则是：归一化。

    分红两个层面，首先是term匹配个数：匹配个数为分子，query term个数为分母，term匹配的越多，percent越高；而后是term匹配个数同样多时，某个doc的BM25打分为分子，最大的doc BM25打分为分母，BM25打分越高，percent越高。

    相关代码：

void MultiMatch::get_mset(Xapian::doccount first, Xapian::doccount maxitems,
             Xapian::doccount check_at_least,
             Xapian::MSet & mset,
             Xapian::Weight::Internal & stats,
             const Xapian::MatchDecider *mdecider,
             const Xapian::KeyMaker *sorter) {
......
    {
        /// greatest_wt_subqs_matched 表示最大的匹配query数
        /// total_subqs 表示总query数
        /// percent_scale是计算percent的一个因子，后面会看到怎么用

        percent_scale = greatest_wt_subqs_matched / double(total_subqs);
        percent_scale /= greatest_wt;
    }
......
}

int MSet::Internal::convert_to_percent_internal(double wt) const {
    LOGCALL(MATCH, int, "Xapian::MSet::Internal::convert_to_percent_internal", wt);
    if (percent_factor == 0) {
        RETURN(100);
    }
    /// wt是文档的打分，percent_factor是以前计算的 percent_scale * 100
    // Excess precision on x86 can result in a difference here.
    double v = wt * percent_factor + 100.0 * DBL_EPSILON;
    int pcent = static_cast<int>(v);
    LOGLINE(MATCH, "wt = " << wt << ", max_possible = " << max_possible << " =>  pcent = " << pcent);
    if (pcent > 100) pcent = 100;
    if (pcent < 0) pcent = 0;
    if (pcent == 0 && wt > 0) pcent = 1;

    RETURN(pcent);
}

     以上就是xapian源码中percent的计算过程。

4 percent并不适用全部场景

    percent是归一化后的相关性分值，从上面的分析，咱们知道它的计算方式很是依赖匹配词个数，若是只用percent的方式来作匹配doc的排序，会有一个明显的缺陷： 当某term（词）极其重要时，percent值可能难以有所体现，譬如：有检索语句：A or B or C，其中，A term的重要性极高，只要它匹配了就认为相关性高达90%，而B、C term不重要，加起来只有10%的权重。若是是采用BM25的分值，咱们能够经过对A term加权到极大，保证A term匹配到的doc的BM25打分比B、C term匹配到的高一个数量级。可是，若是采用了percent，则命中B term和C term的percent值在2/3左右，而只命中A term的percent值在1/3左右，这样子没法体现A term的重要性。解决办法有不少，譬如：既使用percent（归一化后的BM25打分）又使用score（BM25打分），综合考虑；或者，将A term设置为必出词（And语法），这样子保证了召回的doc（文档）中A词一定出现，doc之间的排序就变成了只会在含有A词的doc之间排。