Submit Search
Upload
Solr の LTR プラグインの使い方 - 第3回 LTR 勉強会資料 -
•
Download as PPTX, PDF
•
0 likes
•
1,700 views
I
Issei Nishigata
Follow
Solr の LTR(Learning to rank)プラグインを使ってみました。リランク結果の考察については次の機会にでも。
Read less
Read more
Technology
Slideshow view
Report
Share
Slideshow view
Report
Share
1 of 21
Download now
Recommended
第16回Lucene/Solr勉強会 – ランキングチューニングと定量評価 #SolrJP
第16回Lucene/Solr勉強会 – ランキングチューニングと定量評価 #SolrJP
Yahoo!デベロッパーネットワーク
最近のディープラーニングのトレンド紹介_20200925
最近のディープラーニングのトレンド紹介_20200925
小川 雄太郎
Solrで多様なランキングモデルを活用するためのプラグイン開発 #SolrJP
Solrで多様なランキングモデルを活用するためのプラグイン開発 #SolrJP
Yahoo!デベロッパーネットワーク
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
hoxo_m
東大大学院 電子情報学特論講義資料「ハイパーパラメタ最適化ライブラリOptunaの開発」柳瀬利彦
東大大学院 電子情報学特論講義資料「ハイパーパラメタ最適化ライブラリOptunaの開発」柳瀬利彦
Preferred Networks
Learning-to-Rank meetup Vol. 1
Learning-to-Rank meetup Vol. 1
Koji Sekiguchi
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
メルペイの与信モデリングで安全・安心のために実践していること
メルペイの与信モデリングで安全・安心のために実践していること
Yuhi Kawakami
Recommended
第16回Lucene/Solr勉強会 – ランキングチューニングと定量評価 #SolrJP
第16回Lucene/Solr勉強会 – ランキングチューニングと定量評価 #SolrJP
Yahoo!デベロッパーネットワーク
最近のディープラーニングのトレンド紹介_20200925
最近のディープラーニングのトレンド紹介_20200925
小川 雄太郎
Solrで多様なランキングモデルを活用するためのプラグイン開発 #SolrJP
Solrで多様なランキングモデルを活用するためのプラグイン開発 #SolrJP
Yahoo!デベロッパーネットワーク
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
hoxo_m
東大大学院 電子情報学特論講義資料「ハイパーパラメタ最適化ライブラリOptunaの開発」柳瀬利彦
東大大学院 電子情報学特論講義資料「ハイパーパラメタ最適化ライブラリOptunaの開発」柳瀬利彦
Preferred Networks
Learning-to-Rank meetup Vol. 1
Learning-to-Rank meetup Vol. 1
Koji Sekiguchi
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
メルペイの与信モデリングで安全・安心のために実践していること
メルペイの与信モデリングで安全・安心のために実践していること
Yuhi Kawakami
研究室における研究・実装ノウハウの共有
研究室における研究・実装ノウハウの共有
Naoaki Okazaki
Transformer メタサーベイ
Transformer メタサーベイ
cvpaper. challenge
SolrとElasticsearchを比べてみよう
SolrとElasticsearchを比べてみよう
Shinsuke Sugaya
何となく勉強した気分になれるパーサ入門
何となく勉強した気分になれるパーサ入門
masayoshi takahashi
AlphaGoのしくみ
AlphaGoのしくみ
Hiroyuki Yoshida
トランクベース開発を活用して爆速に開発した話
トランクベース開発を活用して爆速に開発した話
Tier_IV
알아두면 쓸데있는 신비한 딥러닝 이야기
알아두면 쓸데있는 신비한 딥러닝 이야기
Kwangsik Lee
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
論文紹介: "MolGAN: An implicit generative model for small molecular graphs"
論文紹介: "MolGAN: An implicit generative model for small molecular graphs"
Ryohei Suzuki
車両運行管理システムのためのデータ整備と機械学習の活用
車両運行管理システムのためのデータ整備と機械学習の活用
Eiji Sekiya
はじめての検索エンジン&Solr 第13回Solr勉強会
はじめての検索エンジン&Solr 第13回Solr勉強会
Noritsugu Suzuki
潜在ディリクレ配分法
潜在ディリクレ配分法
y-uti
ブラックボックス最適化とその応用
ブラックボックス最適化とその応用
gree_tech
AutoEncoderで特徴抽出
AutoEncoderで特徴抽出
Kai Sasaki
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
Tokoroten Nakayama
広告配信のための高速疎ベクトル検索エンジンの開発@WebDBフォーラム2015 #webdbf2015
広告配信のための高速疎ベクトル検索エンジンの開発@WebDBフォーラム2015 #webdbf2015
Yahoo!デベロッパーネットワーク
「いい検索」を考える
「いい検索」を考える
Shuryo Uchida
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Yuya Unno
画像をテキストで検索したい!(OpenAI CLIP) - VRC-LT #15
画像をテキストで検索したい!(OpenAI CLIP) - VRC-LT #15
Shuyo Nakatani
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
joisino
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
Yuki Kikuchi
More Related Content
What's hot
研究室における研究・実装ノウハウの共有
研究室における研究・実装ノウハウの共有
Naoaki Okazaki
Transformer メタサーベイ
Transformer メタサーベイ
cvpaper. challenge
SolrとElasticsearchを比べてみよう
SolrとElasticsearchを比べてみよう
Shinsuke Sugaya
何となく勉強した気分になれるパーサ入門
何となく勉強した気分になれるパーサ入門
masayoshi takahashi
AlphaGoのしくみ
AlphaGoのしくみ
Hiroyuki Yoshida
トランクベース開発を活用して爆速に開発した話
トランクベース開発を活用して爆速に開発した話
Tier_IV
알아두면 쓸데있는 신비한 딥러닝 이야기
알아두면 쓸데있는 신비한 딥러닝 이야기
Kwangsik Lee
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
論文紹介: "MolGAN: An implicit generative model for small molecular graphs"
論文紹介: "MolGAN: An implicit generative model for small molecular graphs"
Ryohei Suzuki
車両運行管理システムのためのデータ整備と機械学習の活用
車両運行管理システムのためのデータ整備と機械学習の活用
Eiji Sekiya
はじめての検索エンジン&Solr 第13回Solr勉強会
はじめての検索エンジン&Solr 第13回Solr勉強会
Noritsugu Suzuki
潜在ディリクレ配分法
潜在ディリクレ配分法
y-uti
ブラックボックス最適化とその応用
ブラックボックス最適化とその応用
gree_tech
AutoEncoderで特徴抽出
AutoEncoderで特徴抽出
Kai Sasaki
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
Tokoroten Nakayama
広告配信のための高速疎ベクトル検索エンジンの開発@WebDBフォーラム2015 #webdbf2015
広告配信のための高速疎ベクトル検索エンジンの開発@WebDBフォーラム2015 #webdbf2015
Yahoo!デベロッパーネットワーク
「いい検索」を考える
「いい検索」を考える
Shuryo Uchida
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Yuya Unno
画像をテキストで検索したい!(OpenAI CLIP) - VRC-LT #15
画像をテキストで検索したい!(OpenAI CLIP) - VRC-LT #15
Shuyo Nakatani
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
joisino
What's hot
(20)
研究室における研究・実装ノウハウの共有
研究室における研究・実装ノウハウの共有
Transformer メタサーベイ
Transformer メタサーベイ
SolrとElasticsearchを比べてみよう
SolrとElasticsearchを比べてみよう
何となく勉強した気分になれるパーサ入門
何となく勉強した気分になれるパーサ入門
AlphaGoのしくみ
AlphaGoのしくみ
トランクベース開発を活用して爆速に開発した話
トランクベース開発を活用して爆速に開発した話
알아두면 쓸데있는 신비한 딥러닝 이야기
알아두면 쓸데있는 신비한 딥러닝 이야기
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
論文紹介: "MolGAN: An implicit generative model for small molecular graphs"
論文紹介: "MolGAN: An implicit generative model for small molecular graphs"
車両運行管理システムのためのデータ整備と機械学習の活用
車両運行管理システムのためのデータ整備と機械学習の活用
はじめての検索エンジン&Solr 第13回Solr勉強会
はじめての検索エンジン&Solr 第13回Solr勉強会
潜在ディリクレ配分法
潜在ディリクレ配分法
ブラックボックス最適化とその応用
ブラックボックス最適化とその応用
AutoEncoderで特徴抽出
AutoEncoderで特徴抽出
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
データ分析グループの組織編制とその課題 マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016
広告配信のための高速疎ベクトル検索エンジンの開発@WebDBフォーラム2015 #webdbf2015
広告配信のための高速疎ベクトル検索エンジンの開発@WebDBフォーラム2015 #webdbf2015
「いい検索」を考える
「いい検索」を考える
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
画像をテキストで検索したい!(OpenAI CLIP) - VRC-LT #15
画像をテキストで検索したい!(OpenAI CLIP) - VRC-LT #15
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Recently uploaded
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
Yuki Kikuchi
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
akihisamiyanaga1
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
UEHARA, Tetsutaro
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版) 2024年4月作成
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版) 2024年4月作成
Hiroshi Tomioka
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
FumieNakayama
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
Hiroki Ichikura
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
博三 太田
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
sugiuralab
Recently uploaded
(9)
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版) 2024年4月作成
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版) 2024年4月作成
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
Solr の LTR プラグインの使い方 - 第3回 LTR 勉強会資料 -
1.
Solr の LTR
プラグインの使い方 - プロローグ - 第 3 回 LTR 勉強会 西潟 一生
2.
検索システムで困る時 • ランキングのチューニングは至難の業 solr Solr について教えて
!! ... fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo … Apache Solr ... hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge … ランクを上げたい
3.
検索システムで困る時 solr [チューニング] タイトルでヒットした時スコア100倍 +
本文でヒット した時スコア10倍 Solr について教えて !! ... fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo … Apache Solr ... hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge …
4.
検索システムで困る時 solr Solr について教えて
!! ... fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo … Apache Solr ... hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge … Spring Data Solr Tutorial ... hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge … 5分で解説 Apache Solr - SolrTutorial.com fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo … PHP: Solr - Manual ... fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo …
5.
検索システムで困る時 solr Solr について教えて
!! ... fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo … Apache Solr ... hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge … Spring Data Solr Tutorial ... hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge … 5分で解説 Apache Solr - SolrTutorial.com fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo … PHP: Solr - Manual ... fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo … [チューニング] タイトルでヒットした時スコア150倍 + 本文でヒットした 時スコア3.14倍 + クリック数を考慮
6.
検索システムで困る時 solr Solr について教えて
!! ... fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo … Apache Solr ... hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge … Spring Data Solr Tutorial ... hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge hoge … 5分で解説 Apache Solr - SolrTutorial.com fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo … PHP: Solr - Manual ... fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo fugo … チューニング タイトルでヒットした時スコア99.9倍 + 本文でヒットした 時スコア3.1114倍 + クリック数を考慮 + 更新日付を考慮
7.
LTR とは? • 使えば使うほど検索結果が良くなっていく 検索システムに必要な技術 •
検索結果に対するユーザーのアクション( クリック,滞在時間など)を得点化し,こ れを学習したモデルを使って検索結果を再 構築できる 検索結果 ユーザーアクション を 得点化したデータ モデル 再構築された 検索結果 検索 エンジン
8.
Solr の LTR
を使ってみる • Solr6.4 から LTR プラグインが追加(SOLR-8542) • LTR のモデルは自前で用意することが前提 • 素性抽出 → モデル構築 → 検索結果をリランクする流れを概説
9.
Solr 起動 • 以下のコマンドで
Solr を起動 • LTR プラグインはデフォルトで有効になっていないので準備が面倒。下 記コマンドで簡単に環境構築可 $ cd {SOLRインストールディレクトリ} $ bin/solr start -e techproducts -Dsolr.ltr.enabled=true
10.
素性抽出の条件を作成 • 3種類の素性を作成した例(myFeatures.json) "name" "documentRecency" "class"
"org.apache.solr.ltr.feature.SolrFeature" "params" "q" "{!func}recip( ms(NOW,last_modified), 3.16e-11, 1, 1)" "name" "isBook" "class" "org.apache.solr.ltr.feature.SolrFeature" "params" "fq" "{!terms f=cat}book" "name" "originalScore" "class" "org.apache.solr.ltr.feature.OriginalScoreFeature" "params"
11.
素性抽出の条件を Solr へアップロード •
下記コマンドで Solr へアップロード 'http://localhost:8983/solr/techproducts/schema/feature-store' "@/path/myFeatures.json" 'Content-type:application/json' • 素性は検索時に初めて抽出される。ここでは Solr 内部で持っている情報の うち,どれを素性として利用するか定義しているだけ
12.
素性の確認 • 下記リクエストを Solr
に投げることで,どのような素性が抽出されるか確認でき る http://localhost:8983/solr/techproducts/query?q=test&fl=id,score,[features] • ここで確認できる各「数値」が次に説明するモデルで使用され,リランク後のス コアに影響する。(今はリランクも何もしていない。値の確認だけ) ※ fl=[features]が素性表示に必要 "response" "numFound" 2 "start" 0 "maxScore" 1.959392 "docs" "id" "GB18030TEST" "score" 1.959392 "[features]" "documentRecency=0.020893794,isBook=0.0,originalScore=1.959392" "id" "UTF8TEST" "score" 1.5513437 "[features]" "documentRecency=0.020893794,isBook=0.0,originalScore=1.5513437"
13.
モデル定義 • 学習で得られたモデルを定義する(myModel.json) "class" "org.apache.solr.ltr.model.LinearModel" "name"
"myModel" "features" "name" "documentRecency" "name" "isBook" "name" "originalScore" "params" "weights" "documentRecency" 1.0 "isBook" 0.1 "originalScore" 0.5 • 機械学習で求まった3種類の素性の重みをここで定義する • Solr ではこの学習部分が提供されていない
14.
モデルを Solr へアップロード •
下記コマンドで Solr へアップロード 'http://localhost:8983/solr/techproducts/schema/model-store' "@/path/myModel.json" 'Content- type:application/json' • リランク時の重みがこれで決定。リランク時に myModel.json で定義した name を切り替えることで,モデル(重み)を切り替えられる
15.
Solr でリランクしてみる • 下記リクエストでリランク前とリランク後を確認 •
test で検索した結果100件に対して myModel を適用し,スコアを再計算後 結果表示
16.
肝心のモデル構築ができないのは困る
17.
LIBLINEAR を使って構築したモデルを使ってみる(1) • Solr
のソースコードをダウンロード • 解凍後 config.json を編集 http://www.apache.org/dyn/closer.lua/lucene/solr/7.5.0/solr-7.5.0-src.tgz • LIBLINEAR をダウンロード,インストール ← LIBLINEAR をインストールしたパスに変更。train を忘れず に
18.
LIBLINEAR を使って構築したモデルを使ってみる(2) • 以下のコマンドでモデル構築から
Solr へのアップロードまで行える • 以下のリクエストでリランク結果を確認する http://localhost:8983/solr/techproducts/query?indent=on&q=test&wt=json&rq={!ltr%20model=exampleModel%20reRa nkDocs=25%20efi.user_query=%27test%27}&fl=price,score,name ※ Python2 系で実行して下さい!!
19.
LIBLINEAR を使って構築したモデルに必要なもの • example
には必要なファイルは全て含まれている。チューニングしたい時 は以下のファイルを修正
20.
おさらい • デフォルトの Solr
で LTR 使いたい時の流れ 1. Solr で LTR プラグインを有効化する $ bin/solr start -e techproducts -Dsolr.ltr.enabled=true だと構築が楽 2. Solr のどのフィールドをランキングに影響させたいか決める 素性抽出用ファイルを作成 → myFeatures.json の作成 3. 検索ログなどから,クエリとその結果に対するスコアを記述したファイルを作成する user_quries.txt の作成 4. 2. と 3. で作ったファイルを LIBLINEAR に渡し, 2. で決めたフィールドの影響度合いが決まる example に含まれる Python スクリプトを使用し,モデルファイル(exampleModel.json)が得られる 5. 影響度合いが決まったファイルを Solr でのリランク時に使用する exampleModel.json を元にランキングが再構築される
21.
Solr の FunctionQuery
を使えば良いのでは?同じこと? • ↓は Solr のブーストや FunctionQuery を使ってやってることと同じ? "params" "weights" "documentRecency" 1.0 "isBook" 0.1 "originalScore" 0.5 • FunctionQuery で足りるならそっちの方が楽で良い • LTR の大きなメリットは2つ • トップ N 件を対象にするので計算量が抑えられる • リランクの際は Solr のスコアは一切考慮されず,選択した素性だけでスコアが計算される • FunctionQuery だと Solr のスコアと合算されるので,Solr 自体のスコアの影響は受けてしまう。
Download now