我的solr索引上的多值字段中有一些重复（相同的字符串）数据，我想通过该字段中的匹配计数来提升文档。例如：
doc1 : { locales : ['en_US', 'de_DE', 'fr_FR', 'en_US'] }
doc2 : { locales : ['en_US'] }
当我运行查询q=locales:en_US时，我希望在顶部看到 doc1，因为它有两个"en_US"值。提升此类数据的正确方法是什么？
我应该使用特殊的分词器吗？
溶胶版本为：4.5
免责声明
要使用以下任一解决方案，您需要进行以下任一更改：
- 为区域设置创建复制字段：
<field name="locales" type="string" indexed="true" stored="true" multiValued="true"/>
<!-- No need to store(stored="false") locales_text as it will only be used for searching/sorting/boosting -->
<field name="locales_text" type="text_general" indexed="true" stored="false" multiValued="true"/>
<copyField source="locales" dest="locales_text"/>
- 将区域设置的类型更改为"text_general"（该类型在标准 solr 集合 1 中提供）
第一个解决方案（订购）：
结果可以按某些函数排序。因此，我们可以按字段中的出现次数（termfreq 函数）进行排序：
如果使用 copyField，则排序查询将为：
termfreq(locales_text,'en_US') DESC如果区域设置的类型text_general，则排序查询将为：
termfreq(locales,'en_US') DESC
复制字段选项的示例响应（text_general类型的结果相同）：
<?xml version="1.0" encoding="UTF-8"?>
<response>
<lst name="responseHeader">
<int name="status">0</int>
<int name="QTime">1</int>
<lst name="params">
<str name="fl">*,score</str>
<str name="sort">termfreq(locales_text,'en_US') DESC</str>
<str name="indent">true</str>
<str name="q">locales:en_US</str>
<str name="_">1383598933337</str>
<str name="wt">xml</str>
</lst>
</lst>
<result name="response" numFound="2" start="0" maxScore="0.5945348">
<doc>
<arr name="locales">
<str>en_US</str>
<str>de_DE</str>
<str>fr_FR</str>
<str>en_US</str>
</arr>
<str name="id">4f9f71f6-7811-4c22-b5d6-c62887983d08</str>
<long name="_version_">1450808563062538240</long>
<float name="score">0.4203996</float></doc>
<doc>
<arr name="locales">
<str>en_US</str>
</arr>
<str name="id">7f93e620-cf7b-4b90-b741-f6edc9db77c9</str>
<long name="_version_">1450808391856291840</long>
<float name="score">0.5945348</float></doc>
</result>
</response>
您还可以使用fl=*,termfreq(locales_text,'en_US')来查看匹配项数。
要记住的一件事 - 它是一个订单函数，而不是一个提升函数。如果您宁愿根据多个匹配来提高分数，您可能会在第二个解决方案中更加迷恋。
我将分数包含在结果中以证明@arun在说什么。你可以看到分数不同（可能是长度）...非常出乎意料（对我来说）对于多值字符串，它是相同的。
第二种解决方案（升压）：
如果使用 copyField，则查询将为 ：
{!boost b=termfreq(locales_text,'en_US')}locales:en_US如果区域设置的类型text_general，则查询将为：
{!boost b=termfreq(locales,'en_US')}locales:en_US
复制字段选项的示例响应（text_general类型的结果相同）：
<?xml version="1.0" encoding="UTF-8"?>
<response>
<lst name="responseHeader">
<int name="status">0</int>
<int name="QTime">0</int>
<lst name="params">
<str name="lowercaseOperators">true</str>
<str name="fl">*,score</str>
<str name="indent">true</str>
<str name="q">{!boost b=termfreq(locales_text,'en_US')}locales:en_US</str>
<str name="_">1383599910386</str>
<str name="stopwords">true</str>
<str name="wt">xml</str>
<str name="defType">edismax</str>
</lst>
</lst>
<result name="response" numFound="2" start="0" maxScore="1.1890696">
<doc>
<arr name="locales">
<str>en_US</str>
<str>de_DE</str>
<str>fr_FR</str>
<str>en_US</str>
</arr>
<str name="id">4f9f71f6-7811-4c22-b5d6-c62887983d08</str>
<long name="_version_">1450808563062538240</long>
<float name="score">1.1890696</float></doc>
<doc>
<arr name="locales">
<str>en_US</str>
</arr>
<str name="id">7f93e620-cf7b-4b90-b741-f6edc9db77c9</str>
<long name="_version_">1450808391856291840</long>
<float name="score">0.5945348</float></doc>
</result>
</response>
您可以看到分数发生了显着变化。第一个文档的得分是第二个文档的两倍（因为有两场比赛各得分为 0.5945348）。
第三个解决方案（省略规范=假）
根据@arun的回答，我认为还有第三种选择。
如果您将字段转换为（例如）text_general U并为该字段设置omitNorms=true - 它应该具有相同的结果。
Solr 中的默认标准请求处理程序不仅使用术语频率来计算分数。除了术语频率外，它还使用字段的长度。请参阅lucene评分算法，其中说：
lengthNorm - computed when the document is added to the index in accordance with the number of tokens of this field in the document, so that shorter fields contribute more to the score.
由于 doc2 的字段较短，因此得分可能更高。在查询中使用fl=*,score检查结果的分数。要了解Solr是如何得出分数的，请使用fl=*,score&wt=xml&debugQuery=on（然后右键单击浏览器并查看页面源代码以查看正确缩进的分数计算）。我相信你会看到 lengthNorm 导致 doc1 的分数降低。
要使字段长度不对分数产生影响，您需要禁用它。为该字段设置omitNorms=true。（参考： http://wiki.apache.org/solr/SchemaXml）然后看看分数是多少。