服务器技术

由于coreseek带的mmseg默认词库只有1w多个字词，搜索出来的结果准确度不是很理想。花了半天找了下搜索引擎相关的资料，现在记录下一些提高搜索精度的方法和步骤：

1. 基础词库要足够丰富，因为只有基础词库丰富了，才能谈权重设置。

2. 增加相关业务领域的词汇，进一步提升词库量，如果不是做综合搜索，一般都只需要提高自身业务领域的词汇。

3. 记录与收集用户搜索，把搜索记录高的作为新增词汇加入到词库中(前提是词库中不存在这个词)。

所以第一件事就是丰富基础词库，词库可以去搜狗拼音，QQ拼音官网下载。下下来后，统一把词汇进行处理，添加到一个词汇数据表 unigram，这个表只需包含id, word两列，id为自增字段，word为key字段，以保证这个词是独一无二的。

然后写个php脚本，把这个 unigram 表的数据转成 unigram.txt(mmseg要求的字典格式)，下面是这个脚本的简单步骤

connect($dbhost, $dbuser, $dbpw, $dbname);
$max_id = $db->result_first('SELECT MAX(id) FROM unigram2');
 
$limit = 2000;
$start_page = isset($_GET['id']) ? (int)$_GET['id'] : 0;
$start_id = $limit * $start_page;
if ($start_id > $max_id) exit('ok');
$sql = "SELECT word FROM unigram2 limit {$start_id}, {$limit}";
$query = $db->query($sql);
while ($arr = $db->fetch_array($query)) {
$str .= $arr['word'] . "t1rnx:1rn";
}
 
$file = './unigram3.txt';
$h = fopen($file, 'a');
fwrite($h, $str);
 
$start_page++;
$url_forward = 'import.php?id='.$start_page;
echo '';
?>

得到新增的txt后，把这个txt里的所有内容复制到默认词典的底部。合并原有的的词库。

然后是用mmseg合并词典

cd /usr/local/mmseg3/

bin/mmseg -u etc/unigram.txt

执行上面的命令后，会生成 unigram.uni 文件，把它重命名为uni.lib(原来也有一个，可以对旧的改名)。

此时词库生成，但还需要重新生成一次索引，

cd /usr/local/coreseek

bin/indexer -c etc/xxx.conf --all

重启searchd

bin/searchd -c etc/xxx.conf --stop

bin/searchd -c etc/xxx.conf

至此，扩充词库并应用到索引的过程就完成了！

转：http://phpseyo.iteye.com/blog/1729376