编辑： 由于大家感到困惑，我想简化我的问题。我有两个有序列表。现在，我只想计算一个列表与另一个列表的相似程度。 例如，1,7,4,5,8,9 1,7,5,4,9,6 什么是衡量这两个列表相似度的好方法，使得顺序很重要。例如，当两个列表中的4和5交换位置时，我们应该惩罚相似度？ 我有两个系统...

人们经常提到IR、ML和数据挖掘这些术语，但我注意到它们之间有很多重叠。 从这些领域有经验的人来看，它们之间的区别是什么？

有没有一种编程方式可以从PDF文件中提取出划重点的文本？任何语言都可以。我已经找到了几个库，包括Python、Java和PHP，但它们都不能胜任这项工作。

更新 Boilerpipe 看起来非常好用，但我意识到我不仅需要主要内容，因为许多页面没有文章，只有链接和一些短描述指向整个文本（这在新闻门户网站中很常见），而我不想放弃这些短文字。 如果有一个 API 可以做到这一点，获取不同的文本部分/块并将每个部分分成某种方式（与单个文本不同），请报...

我计划将图片存储在Amazon S3上，如何从Amazon S3检索： 文件大小 图像高度 图像宽度?

我阅读了Doug Cutting的论文：“用于总排名的空间优化”。 由于它是很久以前写的，我想知道Lucene使用什么算法（关于倒排列表遍历和得分计算，排名方面）。 特别是，在那里描述的总排名算法涉及每个查询术语的整个倒排列表遍历，因此在像“黄色狗”这样非常常见的查询术语的情况下，两个术语...

我有以下需求：- 我有许多（比如100万个）值（名称）。 用户会输入一个搜索字符串。 我不希望用户正确拼写这些名称。 因此，我想做出类似于Google "Did you mean"的功能。这将列出来自我的数据存储中的所有可能的值。这里有一个类似但不完全相同的问题here。这没有回答我的问...

我正在尝试比较不同Solr查询的性能。为了进行公正测试，我希望在每次查询之间清除缓存。 这该怎么做？当然可以重启服务器，但我想知道是否有更快的方法。

有哪些标准的 Python tf-idf 实现/API？我已经了解了 NLTK 中的内容。我想知道其他提供此功能的库。

我想构建一个简单的搜索引擎索引功能，不使用像Lucene这样的API。在倒排索引中，我只需要记录每个词的基本信息，例如docID，位置和频率。 现在，我有几个问题： 通常用什么数据结构来构建倒排索引？多维列表吗？ 构建索引后，如何将其写入文件？文件格式是什么样的？像表格一样？像在纸上画索...