duplicates

[GoogleCodeExporter]

duplumszűrés:
a központozás nélküli mondatokból csinálunk egy hash-t és azt lerakjuk 
egy 
plusz mezőben.
a lucene az indexeléskor figyelje, hogy ez szerepelt-e már a mondat (a hash-
re keresünk rá) 
és ha igen, akkor egy plusz fieldben megjegyezzük, hogy duplikátum

Original issue reported on code.google.com by bpgergo on 2 Oct 2009 at 5:46

[GoogleCodeExporter]

Valami minimális heurisztika arra, hogy több közül melyiket mutatja meg.

Original comment by bpgergo on 2 Oct 2009 at 5:46

[GoogleCodeExporter]

ez készen van,
két részből áll, egyrészt Bisen.java updateHashCode
másrészt controll_harness.py flagDuplicates

még egy bug van benne, hogy a "-" karaktert nem szűri ki
pl: 
http://kozel.mokk.bme.hu:8080/hunglish/search?huSentence=csod%C3%A1latos&enSente
nce=beautiful&doc.genre=-10



mysql> select * from bisen where id in (1291330, 1332913);
+---------+---------+-----------+--------------+---------------+------------+---
----------+---------+------+------------------+------------------+--------------
+---------------------+-----------+----------+
| id      | version | downvotes | en_sentence  | hu_sentence   | is_indexed | 
line_number | upvotes | doc  | en_sentence_hash | hu_sentence_hash | 
is_duplicate | indexed_timestamp   | copyright | approved |
+---------+---------+-----------+--------------+---------------+------------+---
----------+---------+------+------------------+------------------+--------------
+---------------------+-----------+----------+
| 1291330 |       1 |      NULL | Beautiful.   | - Csod�latos. | �          | 
        977 |    NULL |  317 |       -625700480 |      -1975168042 |            
  | 2011-01-20 15:12:52 | C         | N        | 
| 1332913 |       1 |      NULL | - Beautiful. | - Csod�latos. | �          | 
         73 |    NULL |  373 |       1272378659 |      -1975168042 |            
  | 2011-01-20 15:27:32 | C         | N        | 
+---------+---------+-----------+--------------+---------------+------------+---
----------+---------+------+------------------+------------------+--------------
+---------------------+-----------+----------+


megoldási javaslat:
Bisen.java stripPunctuation method-ot kell javítani
most ezt használja: 
http://download.oracle.com/javase/1.5.0/docs/api/java/lang/Character.html#isLett
erOrDigit(char)

Original comment by bpgergo on 23 Jan 2011 at 6:50

[GoogleCodeExporter]

most már teljes mértékben a harness csinálja a duplum-szűrést

Original comment by bpgergo on 1 Mar 2011 at 5:41

• Changed state: New

[GoogleCodeExporter]

Original comment by Varga.Da...@gmail.com on 1 Mar 2011 at 5:54

• Changed state: Verified