探究Lucene計算權重的過程
我們知道，影響一個詞在一篇文檔中的重要性主要有兩個因素：
1 term frequency (tf):該詞在目前文檔出現了多少次，tf越大，說明越重要。
2 document frequency (df):有多少文檔包含該term,該詞越大說明太普通了，越不重要。
| 比如solr一詞在文檔中出現次數很多，說明這篇這篇文檔主要是跟solr有關的；那比如the this it which 諸如此類的詞，也很多，但重要嗎，很明顯不重要，為什麼？因為每一篇文檔可能都有很多這樣的詞，是以這時候就是由df來決定了。 |
計算權重的公式如下：
Wt,d = tft,d * log(n / dft)
| Wt,d：詞在文檔中的權重 tft,d：詞在該文檔中出現的頻率次數 n: 文檔總數 dft：包含這個詞的文檔的數量 |
當然，不同的系統可能有自己不同的實作。
VSM: 向量空間模型算法
1 我們把文檔看做一系列的詞
2 每一個詞在文檔中都有自己的權重
3 不同的詞根據自己在文檔中的權重來影響文檔打分
4 我們把文檔中詞的權重看做一個向量：
Document Vector = {weight1, weight2, …… ,weight N}
5 我們把Query也用向量表示
Query Vector = {weight1, weight2, …… , weight N}
6 我們把搜尋出來的文檔向量和query向量放在一個N維空間，每一個term是一個次元。
7 我們認為兩個向量之間的夾角越小，相關性越大。是以我們計算夾角的餘弦值作為相關性的打分，夾角越小，餘弦值越大，打分高，相關性越大
| 查詢語句一般是很短的，包含的詞(Term)是很少的，因而查詢向量的維數很小，而文檔很長，包含詞(Term)很多，文檔向量維數很大。你的圖中兩者維數怎麼都是N呢？在這裡，既然要放到相同的向量空間，自然維數是相同的，不同時，取二者的并集，如果不含某個詞(Term)時，則權重(Term Weight)為0 |
舉例子：
查詢語句共有3個term, 文檔共有5個term
| Term1 | Term2 | Term3 | Term4 | Term5 |
| Document1 | 0.179 | 0.66 | 0.345 | |
| Document2 | 0.245 | 0.123 | 0.66 | 0.8 |
| Query | 0.154 | 0.66 | 0.5 |
計算2篇文檔跟查詢語句的相關性打分分别為：
得到的結果第二個比第一個大，是以傳回的結果第二個排在第一個前面