我在使用Solr进行排名时遇到了问题，现在卡住了。

在一个电子商务网站上，当我搜索“ipad”时，得到的结果是：

1. 适用于iPad 2的iPad保护套
2. iPad保护套
3. iPad连接套件
4. iPad 32GB WiFi版

这是一个问题，因为我们希望主要产品（或产品本身）排在前面，而tf/idf却因为描述如“适用于iPad、iPad2、iPad3、iPad Retina、iPad Mini等的iPad保护套”而将配件排在前面。

此外，使用类别我们无法确定它是配件还是产品。

我想知道使用自动分类是否会有所帮助。其他能改善这种排名的解决方案（如Named Entity Recognition）也将受到欢迎。

回答：

你能提供标记数据吗？

如果你有超过5万件商品，使用基于产品名称训练的二元语言模型的Naive Bayes分类器几乎可以以99%的准确率识别出所有配件。我猜你可以用Mahout来训练这样的朴素贝叶斯分类器，不过产品名称的二元组合数量相当有限，所以现在即使在智能手机上也能轻松快速地进行训练。

这是一个典型的机械土耳其任务，标记一些商品的费用应该不会太高。然而，如果你坚持使用某种半监督算法，我发现Iterative similarity aggregation非常有用。

主要思路是，你提供一些标记如“case”/“power adapter”，它会迭代地寻找新的标记，这些标记因为出现在相同上下文中而成为垃圾邮件的指示器。

这里是论文，但我也在博客上写了一篇博文，用通俗的语言总结了这个意图。这篇论文还提到了Sean提出的“让用户找到正确物品”的相同范式，所以两者可以结合使用。

哦，如果你需要关于使用Lucene&SOLR进行机器学习的建议，我可以推荐我的朋友Tommaso Teofili在今年ApacheCon Europe上的演讲。你可以在slideshare上找到幻灯片。还有一个YouTube视频，搜索一下就能找到；）