TF-IDF和BM25

TF-IDFBM25搜索引擎排序中常用到的兩種Score計(jì)算方式特漩,用于評(píng)估兩個(gè)文檔的相關(guān)度纤怒。本文會(huì)介紹下兩種算法的具體邏輯黄娘,并在一些維度上進(jìn)行對(duì)比峭状。

TF-IDF

TF-IDF分為兩部分:TF和IDF。

TF(Term Frequency)代表詞頻逼争。詞頻是指當(dāng)前詞匯在文章中的次數(shù)优床。次數(shù)越多,一定程度說(shuō)明這個(gè)詞匯對(duì)于這個(gè)文章的重要性誓焦。
tf_{i} = \cfrac{n_{i}}{\sum_k n_{k}}
n_i 表示當(dāng)前詞在當(dāng)前文檔的出現(xiàn)的次數(shù)胆敞,\sum_k n_k 表示當(dāng)前文檔所有詞出現(xiàn)的總次數(shù)。

IDF(Inverse Document Frequency)稱為“逆文本頻率”杂伟。逆文本頻率是指該詞匯在已有文檔中出現(xiàn)過(guò)的文檔的占比移层,詞出現(xiàn)的頻率越高則重要性越低,比如在金融領(lǐng)域的文檔搜索中的"經(jīng)濟(jì)"一詞赫粥。
idf_i = lg \cfrac{|D|}{|\{j:t_i \in d_j\}|}
D 總文檔數(shù)观话,|\{j:t_i \in d_j \}| 包含詞語(yǔ) t_i 的文件數(shù)目

最后
tfidf = tf_i * idf_i
取值區(qū)間[0,+∞]

總結(jié)

TF-IDF的理論基礎(chǔ):df維度單文檔詞頻率越高越重要,idf維度文本頻率越小越重要傅是。

TF-IDF的劣勢(shì):

1)文檔分詞的準(zhǔn)確性并沒(méi)有絕對(duì)的保證

2)理論存在漏洞,不能覆蓋所有場(chǎng)景蕾羊,會(huì)導(dǎo)致精度丟失

BM25

BM25是基于TF-IDF 改進(jìn)的算法喧笔,算法公式如下
score(D,Q) = \sum^n_{i=1} IDF(q_i) * \cfrac{TF(q_i) * (k_1+1)}{TF(q_i)+k_1 * (1-b+b * \cfrac{|D|}{avgdl})}
|D| 為當(dāng)前文檔的長(zhǎng)度,avgdl 為當(dāng)前文檔庫(kù)中平均文檔長(zhǎng)度龟再。

改進(jìn)的地方书闸,主要對(duì)關(guān)聯(lián)度TF 做了調(diào)整。

1)增加參數(shù)k 利凑,限制關(guān)聯(lián)度的取值浆劲,建議取值 k_1 \in [1.2,20]
\cfrac{TF(q_i) * (k_1+1)}{TF(q_i) + k_1} < k_1 +1
2)引入\cfrac{|D|}{avgdl} 嫌术,把文檔的長(zhǎng)度作為關(guān)聯(lián)度的一個(gè)影響因素。理論依據(jù):篇幅越大的文檔牌借,單個(gè)詞的詞頻對(duì)整個(gè)文檔的影響因素越小度气。b 作為一個(gè)參數(shù)因子,決定文檔長(zhǎng)度影響的程度膨报。建議取值 b = 0.75 磷籍。

IDF 部分定義有效不同,但整體理論是一致的现柠。
IDF(q_i) = log \cfrac{N - n(q_i) + 0.5}{n(q_i) + 0.5}

總結(jié)

BM25 相對(duì)通常意義上 TF-IDF 在算法上有了更多可調(diào)參數(shù)院领,同時(shí)在大多數(shù)場(chǎng)景下BM25 有更好的表現(xiàn),但文本關(guān)聯(lián)度是一個(gè)復(fù)雜的業(yè)務(wù)領(lǐng)域够吩,BM25 也并非絕對(duì)完美比然。

參考

維基百科 TF-IDF

維基百科 BM25

BM25 vs Lucene Default Similarity

BM25 The Next Generation of Lucene Relevance

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市周循,隨后出現(xiàn)的幾起案子强法,更是在濱河造成了極大的恐慌,老刑警劉巖鱼鼓,帶你破解...
    沈念sama閱讀 211,884評(píng)論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件拟烫,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡迄本,警方通過(guò)查閱死者的電腦和手機(jī)硕淑,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,347評(píng)論 3 385
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)嘉赎,“玉大人置媳,你說(shuō)我怎么就攤上這事」酰” “怎么了拇囊?”我有些...
    開(kāi)封第一講書(shū)人閱讀 157,435評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵,是天一觀的道長(zhǎng)靶橱。 經(jīng)常有香客問(wèn)我寥袭,道長(zhǎng),這世上最難降的妖魔是什么关霸? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 56,509評(píng)論 1 284
  • 正文 為了忘掉前任传黄,我火速辦了婚禮,結(jié)果婚禮上队寇,老公的妹妹穿的比我還像新娘膘掰。我一直安慰自己,他們只是感情好佳遣,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,611評(píng)論 6 386
  • 文/花漫 我一把揭開(kāi)白布识埋。 她就那樣靜靜地躺著凡伊,像睡著了一般。 火紅的嫁衣襯著肌膚如雪窒舟。 梳的紋絲不亂的頭發(fā)上系忙,一...
    開(kāi)封第一講書(shū)人閱讀 49,837評(píng)論 1 290
  • 那天,我揣著相機(jī)與錄音辜纲,去河邊找鬼笨觅。 笑死,一個(gè)胖子當(dāng)著我的面吹牛耕腾,可吹牛的內(nèi)容都是我干的见剩。 我是一名探鬼主播,決...
    沈念sama閱讀 38,987評(píng)論 3 408
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼扫俺,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼苍苞!你這毒婦竟也來(lái)了?” 一聲冷哼從身側(cè)響起狼纬,我...
    開(kāi)封第一講書(shū)人閱讀 37,730評(píng)論 0 267
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤羹呵,失蹤者是張志新(化名)和其女友劉穎,沒(méi)想到半個(gè)月后疗琉,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體冈欢,經(jīng)...
    沈念sama閱讀 44,194評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,525評(píng)論 2 327
  • 正文 我和宋清朗相戀三年盈简,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了凑耻。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 38,664評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡柠贤,死狀恐怖香浩,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情臼勉,我是刑警寧澤邻吭,帶...
    沈念sama閱讀 34,334評(píng)論 4 330
  • 正文 年R本政府宣布,位于F島的核電站宴霸,受9級(jí)特大地震影響囱晴,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜瓢谢,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,944評(píng)論 3 313
  • 文/蒙蒙 一畸写、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧恩闻,春花似錦艺糜、人聲如沸剧董。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 30,764評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)。三九已至尉剩,卻和暖如春真慢,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背理茎。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 31,997評(píng)論 1 266
  • 我被黑心中介騙來(lái)泰國(guó)打工黑界, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人皂林。 一個(gè)月前我還...
    沈念sama閱讀 46,389評(píng)論 2 360
  • 正文 我出身青樓朗鸠,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國(guó)和親础倍。 傳聞我的和親對(duì)象是個(gè)殘疾皇子烛占,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,554評(píng)論 2 349