同义词检索应该很多时候会用得上的,举个简单的例子,我们搜索关键字 good 的时候,与 well 和 fine 等的词条也可能是你想要的结果。这里我们不自己建立同义词库,直接使用 WordNet 的同义词库,本篇介绍 C# 版的实现步骤,还会有续篇--Java 版。
由于 Lucene 是发源于 Java,所以 C# 的应用者就没有 Java 的那么幸福了,Java 版已经有 3.0.2 可下载,C# 的版本还必须从 SVN 库里:https://svn.apache.org/repos/asf/lucene/lucene.net/tags/Lucene.Net_2_9_2/ 才能取到最新的 2.9.2 的源码,二制包还只有 2.0 的。
接下来就是用 VS 来编译它的,不多说。只是注意到在 contrib 目录中有 WordNet.Net 解决方案,这是我们想要的,编译 WordNet.Net 可得到三个可执行文件:
1. Syns2Index.exe 用来根据 WordNet 的同义词库建立同义词索引文件,同义词本身也是通过 Lucene 来查询到的
2. SynLookup.exe 从同义词索引中查找某个词有哪些同义词
3. SynExpand.exe 与 SynLookup 差不多,只是多了个权重值,大概就是同义程度
好啦,有了 Lucene.Net.dll 和上面那三个文件,我们下面来说进一步的步骤:
二. 下载 WordNet 的同义词库
可以从 http://wordnetcode.princeton.edu/3.0/ 下载 WNprolog-3.0.tar.gz 文件。然后解压到某个目录,如 D:\WNprolog-3.0,其中子目录 prolog 中有许多的 pl 文件,下面要用到的就是 wn_s.pl
三. 生成同义词 Lucene 索引
使用命令
Syns2Index.exe d:\WNprolog-3.0\prolog\wn_s.pl syn_index
第二个参数是生成索引的目录,由它来帮你创建该目录,执行时间大约 40 秒。这是顺利的时候,也许你也会根本无法成功,执行 Syns2Index.exe 的时候出现下面的错误:
Unhandled Exception: System.ArgumentException: maxBufferedDocs must at least be 2 when enabled
at Lucene.Net.Index.IndexWriter.SetMaxBufferedDocs(Int32 maxBufferedDocs)
at WorldNet.Net.Syns2Index.Index(String indexDir, IDictionary word2Nums, IDictionary num2Words)
at WorldNet.Net.Syns2Index.Main(String[] args)
莫急,手中有源码,心里不用慌,只要找到 Syns2Index 工程,改动 Syns2Index.cs 文件中的
writer.SetMaxBufferedDocs(writer.GetMaxBufferedDocs() * 2*/); //GetMaxBufferedDocs() 本身就为 0,翻多少倍也是白搭
为
writer.SetMaxBufferedDocs(100); //所以直接改为 100 或大于 2 的数就行
重新使用新编译的 Syns2Index.exe 执行上一条命令即可。成功执行后,可以看到新生成了一个索引目录 syn_index, 约 3 M。
现在可以用另两个命令来测试一下索引文件:
D:\wordnet>SynLookup.exe syn_index hi
Synonyms found for "hi":
hawaii
hello
howdy
hullo
D:\wordnet>SynExpand.exe syn_index hi
Query: hi hawaii^0.9 hello^0.9 howdy^0.9 hullo^0.9
也可以用 Luke - Lucene Index ToolBox 来查看索引,两个字段,syn 和 word,通过 word:hi 就可以搜索到 syn:hawaii hello howdy hullo
四. 使用同义词分析器、过滤器进行检索
相比,Java 程序员要轻松许多,有现成的 lucene-wordnet-3.0.2.jar,里面有一些现在的代码可以用。C# 的那些分析器和过滤器就得自己写了,或许我已走入了一个岔道,但也不算崎岖。
小步骤就不具体描述了,直接上代码,大家从代码中去理解:
同义词引擎接口
1 2 3 4 5 6 7 8 9 10 11 12 |
using System.Collections.Generic; namespace Com.Unmi.Searching { /// <summary> /// Summary description for ISynonymEngine /// </summary> public interface ISynonymEngine { IEnumerable<string> GetSynonyms(string word); } } |
同义词引擎实现类
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 |
using System.IO; using System.Collections.Generic; using Lucene.Net.Analysis; using Lucene.Net.Analysis.Standard; using Lucene.Net.Documents; using Lucene.Net.QueryParsers; using Lucene.Net.Search; using Lucene.Net.Store; using LuceneDirectory = Lucene.Net.Store.Directory; using Version = Lucene.Net.Util.Version; namespace Com.Unmi.Searching { /// <summary> /// Summary description for WordNetSynonymEngine /// </summary> public class WordNetSynonymEngine : ISynonymEngine { private IndexSearcher searcher; private Analyzer analyzer = new StandardAnalyzer(); //syn_index_directory 为前面用 Syns2Index 生成的同义词索引目录 public WordNetSynonymEngine(string syn_index_directory) { LuceneDirectory indexDir = FSDirectory.Open(new DirectoryInfo(syn_index_directory)); searcher = new IndexSearcher(indexDir, true); } public IEnumerable<string> GetSynonyms(string word) { QueryParser parser = new QueryParser(Version.LUCENE_29, "word", analyzer); Query query = parser.Parse(word); Hits hits = searcher.Search(query); //this will contain a list, of lists of words that go together List<string> Synonyms = new List<string>(); for (int i = 0; i < hits.Length(); i++) { Field[] fields = hits.Doc(i).GetFields("syn"); foreach (Field field in fields) { Synonyms.Add(field.StringValue()); } } return Synonyms; } } } |
过滤器,下面的分析器要用到
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 |
using System; using System.Collections.Generic; using Lucene.Net.Analysis; namespace Com.Unmi.Searching { /// <summary> /// Summary description for SynonymFilter /// </summary> public class SynonymFilter : TokenFilter { private Queue<Token> synonymTokenQueue = new Queue<Token>(); public ISynonymEngine SynonymEngine { get; private set; } public SynonymFilter(TokenStream input, ISynonymEngine synonymEngine) : base(input) { if (synonymEngine == null) throw new ArgumentNullException("synonymEngine"); SynonymEngine = synonymEngine; } public override Token Next() { // if our synonymTokens queue contains any tokens, return the next one. if (synonymTokenQueue.Count > 0) { return synonymTokenQueue.Dequeue(); } //get the next token from the input stream Token token = input.Next(); //if the token is null, then it is the end of stream, so return null if (token == null) return null; //retrieve the synonyms IEnumerable<string> synonyms = SynonymEngine.GetSynonyms(token.TermText()); //if we don't have any synonyms just return the token if (synonyms == null) { return token; } //if we do have synonyms, add them to the synonymQueue, // and then return the original token foreach (string syn in synonyms) { //make sure we don't add the same word if (!token.TermText().Equals(syn)) { //create the synonymToken Token synToken = new Token(syn, token.StartOffset(), t.EndOffset(), "<SYNONYM>"); // set the position increment to zero // this tells lucene the synonym is // in the exact same location as the originating word synToken.SetPositionIncrement(0); //add the synToken to the synonyms queue synonymTokenQueue.Enqueue(synToken); } } //after adding the syn to the queue, return the original token return token; } } } |
分析器,使用了多个过滤器,当然最主要是用到了上面定义的同义词过滤器
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 |
using Lucene.Net.Analysis; using Lucene.Net.Analysis.Standard; namespace Com.Unmi.Searching { public class SynonymAnalyzer : Analyzer { public ISynonymEngine SynonymEngine { get; private set; } public SynonymAnalyzer(ISynonymEngine engine) { SynonymEngine = engine; } public override TokenStream TokenStream(string fieldName, System.IO.TextReader reader) { //create the tokenizer TokenStream result = new StandardTokenizer(reader); //add in filters // first normalize the StandardTokenizer result = new StandardFilter(result); // makes sure everything is lower case result = new LowerCaseFilter(result); // use the default list of Stop Words, provided by the StopAnalyzer class. result = new StopFilter(result, StopAnalyzer.ENGLISH_STOP_WORDS); // injects the synonyms. result = new SynonymFilter(result, SynonymEngine); //return the built token stream. return result; } } } |
最后,当然是要应用上面的同义词引擎和过滤器,分析器了
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 |
using System.IO; using System.Web; using Lucene.Net.Index; using System; using Lucene.Net.Analysis.Standard; using Lucene.Net.Documents; using System.Collections.Generic; using Lucene.Net.Analysis; using Lucene.Net.Search; using Lucene.Net.QueryParsers; using Lucene.Net.Store; using Version = Lucene.Net.Util.Version; using System.Collections; using Lucene.Net.Highlight; using LuceneDirectory = Lucene.Net.Store.Directory; namespace Com.Unmi.Searching { public class Searcher { /// <summary> /// 假定前面创建的同义词索引目录是 d:\indexes\syn_index, /// 要搜索的内容索引目录是 d:\indexes\file_index, 且索引中有两字段 file 和 content /// IndexEntry 是你自己创建的一个搜索结果类,有两属性 file 和 fragment /// </summary> /// <param name="querystring">queryString</param> public static List<IndexEntry> Search(queryString) { //Now SynonymAnalyzer ISynonymEngine synonymEngine = new WordNetSynonymEngine(@"d:\indexes\syn_index"); Analyzer analyzer = new SynonymAnalyzer(synonymEngine); LuceneDirectory indexDir = FSDirectory.Open(new DirectoryInfo(@"d:\indexes\file_index"); IndexSearcher searcher = new IndexSearcher(indexDir, true); QueryParser parser = new QueryParser(Version.LUCENE_29,"content", analyzer); Query query = parser.Parse(queryString); Hits hits = searcher.Search(query); //返回类型是一个 IndexEntry 列表,它有两个属性 file 和 fragment List<IndexEntry> entries = new List<IndexEntry>(); //这里还用到了 Contrib 里的另一个 Lucene 辅助组件,高亮显示搜索关键字 SimpleHTMLFormatter simpleHTMLFormatter = new SimpleHTMLFormatter("<span style='background-color:#23dc23;color:white'>", "</span>"); Highlighter highlighter = new Highlighter(simpleHTMLFormatter, new QueryScorer(query)); highlighter.SetTextFragmenter(new SimpleFragmenter(256)); highlighter.SetMaxDocBytesToAnalyze(int.MaxValue); Analyzer standAnalyzer = new StandardAnalyzer(); for (int i = 0; i < hits.Length(); i++) { Document doc = hits.Doc(i); //Any time, can't use the SynonymAnalyzer here //注意,这里不能用前面的 SynonymAnalyzer 实例,否则将会陷入一系列可怕的循环 string fragment = highlighter.GetBestFragment(standAnalyzer/*analyzer*/, "content", doc.Get("content")); IndexEntry entry = new IndexEntry(doc.Get("file"), fragment); entries.Add(entry); } return entries; } } } |
五. 看看同义词检索的效果
看前面一大面,也不知道有几人能到达这里,该感性的认识一下,上图看真相:
搜索 ok,由于 fine 是 ok 的同义词,所以也被检索到,要有其他同义的结果也能显示出来的。
参考:
- e-使用sandbox的wordnet完成同义词索引
- http://www.chencer.com/techno/java/lucene/wordnet.html
- lucene connector » org.apache.lucene.wordnet
- Lucene.Net – Custom Synonym Analyzer(本文比较多的参考这篇)
- Lucene in action 笔记 analysis篇
本文链接 https://yanbin.blog/lucene-wordnet-synonym-search-csharp/, 来自 隔叶黄莺 Yanbin Blog
[版权声明] 本文采用 署名-非商业性使用-相同方式共享 4.0 国际 (CC BY-NC-SA 4.0) 进行许可。