bm25 是什么?
bm25 是一种用来评价搜索词和文档之间相关性的算法,它是一种基于概率检索模型提出的算法,再用简单的话来描述下bm25算法:我们有一个query和一批文档Ds,现在要计算query和每篇文档D之间的相关性分数,我们的做法是,先对query进行切分,得到单词$q_i$,然后单词的分数由3部分组成:
- query中每个单词
和文档d之间的相关性
- 单词
和query之间的相关性
- 每个单词的权重
最后对于每个单词的分数我们做一个求和,就得到了query和文档之间的分数。
下面将从3个部分来介绍bm25算法。
单词权重
单词的权重最简单的就是用idf值
其中N表示索引中全部文档数,为包含了
的文档的个数。依据IDF的作用,对于某个
,包含
的文档数越多,说明
重要性越小,或者区分度越低,IDF越小,因此IDF可以用来刻画
与文档的相似性。
单词和文档的相关性
tf-idf中,这个信息直接就用“词频”,如果出现的次数比较多,一般就认为更相关。但是BM25洞察到:词频和相关性之间的关系是非线性的,具体来说,每一个词对于文档相关性的分数不会超过一个特定的阈值,当词出现的次数达到一个阈值后,其影响不再线性增长,而这个阈值会跟文档本身有关。
在具体操作上,我们对于词频做了”标准化处理“,具体公式如下:
,
其中,是单词t在文档d中的词频,
是文档d的长度,
是所有文档的平均长度,变量
是一个正的参数,用来标准化文章词频的范围,当
=0,就是一个二元模型(binary model)(没有词频),一个更大的值对应使用更原始的词频信息。b是另一个可调参数(0<b<1),他是用决定使用文档长度来表示信息量的范围:当b为1,是完全使用文档长度来权衡词的权重,当b为0表示不使用文档长度。
单词和查询的相关性
当query很长时,我们还需要刻画单词与query的之间的权重。对于短的query,这一项不是必须的。
这里表示单词t在query中的词频,
是一个可调正参数,来矫正query中的词频范围。
完整公式
于是最后的公式为: