經(jīng)典檢索算法:BM25原理

image.png

本文cmd地址:經(jīng)典檢索算法:BM25原理

bm25 是什么?

bm25 是一種用來評(píng)價(jià)搜索詞和文檔之間相關(guān)性的算法孕暇,它是一種基于概率檢索模型提出的算法,再用簡(jiǎn)單的話來描述下bm25算法:我們有一個(gè)query和一批文檔Ds辐董,現(xiàn)在要計(jì)算query和每篇文檔D之間的相關(guān)性分?jǐn)?shù)甚亭,我們的做法是,先對(duì)query進(jìn)行切分怔匣,得到單詞$q_i$握联,然后單詞的分?jǐn)?shù)由3部分組成:

  • 單詞$q_i$和D之間的相關(guān)性
  • 單詞$q_i$和D之間的相關(guān)性
  • 每個(gè)單詞的權(quán)重

最后對(duì)于每個(gè)單詞的分?jǐn)?shù)我們做一個(gè)求和,就得到了query和文檔之間的分?jǐn)?shù)每瞒。

bm25 解釋

講bm25之前金闽,我們要先介紹一些概念。

二值獨(dú)立模型 BIM

BIM(binary independence model)是為了對(duì)文檔和query相關(guān)性評(píng)價(jià)而提出的算法剿骨,BIM為了計(jì)算$P(R|d,q)$代芜,引入了兩個(gè)基本假設(shè):

假設(shè)1
一篇文章在由特征表示的時(shí)候,只考慮詞出現(xiàn)或者不出現(xiàn)浓利,具體來說就是文檔d在表示為向量$\vec x=(x_1,x_2,...,x_n)$挤庇,其中當(dāng)詞$t$出現(xiàn)在文檔d時(shí),$x_t=1$贷掖,否在$x_t=0$嫡秕。
假設(shè)2
文檔中詞的出現(xiàn)與否是彼此獨(dú)立的,數(shù)學(xué)上描述就是$P(D)=\sum_{i=0}^n P(x_i)$
有了這兩個(gè)假設(shè)羽资,我們來對(duì)文檔和query相關(guān)性建模:


其中
分別表示當(dāng)返回一篇相關(guān)或不相關(guān)文檔時(shí)文檔表示為x的概率淘菩。

接著因?yàn)槲覀冏罱K得到的是一個(gè)排序,所以屠升,我們通過計(jì)算文檔和query相關(guān)和不相關(guān)的比率潮改,也可得文檔的排序,有下面的公式:



其中
是常數(shù)腹暖,我們可以不考慮汇在,再根據(jù)之前的假設(shè)2:一個(gè)詞的出現(xiàn) 與否與任意一個(gè)其他詞的出現(xiàn)與否是互相獨(dú)立的,我們可以化簡(jiǎn)上面的式子:

由于每個(gè) xt 的取值要么為 0 要么為 1脏答,所以糕殉,我們可得到:



我們接著引入一些記號(hào):
:詞出現(xiàn)在相關(guān)文檔的概率
:詞出現(xiàn)在不相關(guān)文檔的概率

于是我們就可得到:


我們接著做下面的等價(jià)變換:




此時(shí),公式中
根據(jù)出現(xiàn)在文檔中的詞計(jì)算殖告,
則是所有詞做計(jì)算阿蝶,不需要考慮,此時(shí)我們定義RSV (retrieval status value)黄绩,檢索狀態(tài)值:

定義單個(gè)詞的ct

下一步我們要解決的就是怎么去估計(jì)pt和ut羡洁,看下表:

其中dft是包含詞t的文檔總數(shù),于是
爽丹,
此時(shí)詞t的ct值是:

為了做平滑處理筑煮,我們都加上1/2辛蚊,得到:

在實(shí)際中,我們很難知道t的相關(guān)文檔有多少真仲,所以假設(shè)S=s=0袋马,所以:

其中N是總的文檔數(shù),dft是包含t的文檔數(shù)秸应。

以上就是BIM的主要思想虑凛,后來人們發(fā)現(xiàn)應(yīng)該講BIM中沒有考慮到的詞頻和文檔長(zhǎng)度等因素都考慮進(jìn)來,就有了后面的BM25算法灸眼,下面按照

  • 單詞t和D之間的相關(guān)性
  • 單詞t和D之間的相關(guān)性
  • 每個(gè)單詞的權(quán)重

3個(gè)部分來介紹bm25算法卧檐。

單詞權(quán)重

單詞的權(quán)重最簡(jiǎn)單的就是用idf值,即

焰宣,也就是有多少文檔包含某個(gè)單詞信息進(jìn)行變換霉囚。如果在這里使用 IDF 的話,那么整個(gè) BM25 就可以看作是一個(gè)某種意義下的 TF-IDF匕积,只不過 TF 的部分是一個(gè)復(fù)雜的基于文檔和查詢關(guān)鍵字盈罐、有兩個(gè)部分的詞頻函數(shù),還有一個(gè)就是用上面得到的ct值闪唆。

單詞和文檔的相關(guān)性

tf-idf中盅粪,這個(gè)信息直接就用“詞頻”,如果出現(xiàn)的次數(shù)比較多悄蕾,一般就認(rèn)為更相關(guān)票顾。但是BM25洞察到:詞頻和相關(guān)性之間的關(guān)系是非線性的,具體來說帆调,每一個(gè)詞對(duì)于文檔相關(guān)性的分?jǐn)?shù)不會(huì)超過一個(gè)特定的閾值奠骄,當(dāng)詞出現(xiàn)的次數(shù)達(dá)到一個(gè)閾值后,其影響不再線性增長(zhǎng)番刊,而這個(gè)閾值會(huì)跟文檔本身有關(guān)含鳞。

在具體操作上,我們對(duì)于詞頻做了”標(biāo)準(zhǔn)化處理“芹务,具體公式如下:



其中蝉绷,tftd 是詞項(xiàng) t 在文檔 d 中的權(quán)重,Ld 和 Lave 分別是文檔 d 的長(zhǎng)度及整個(gè)文檔集中文檔的平均長(zhǎng)度枣抱。k1是一個(gè)取正值的調(diào)優(yōu)參數(shù)熔吗,用于對(duì)文檔中的詞項(xiàng)頻率進(jìn)行縮放控制。如果 k 1 取 0佳晶,則相當(dāng)于不考慮詞頻磁滚,如果 k 1取較大的值,那么對(duì)應(yīng)于使用原始詞項(xiàng)頻率。b 是另外一個(gè)調(diào)節(jié)參數(shù) (0≤ b≤ 1)垂攘,決定文檔長(zhǎng)度的縮放程度:b = 1 表示基于文檔長(zhǎng)度對(duì)詞項(xiàng)權(quán)重進(jìn)行完全的縮放,b = 0 表示歸一化時(shí)不考慮文檔長(zhǎng)度因素淤刃。

單詞和查詢的相關(guān)性

如果查詢很長(zhǎng)晒他,那么對(duì)于查詢?cè)~項(xiàng)也可以采用類似的權(quán)重計(jì)算方法。



其中逸贾,tftq是詞項(xiàng)t在查詢q中的權(quán)重陨仅。這里k3 是另一個(gè)取正值的調(diào)優(yōu)參數(shù),用于對(duì)查詢中的詞項(xiàng)tq 頻率進(jìn)行縮放控制铝侵。

于是最后的公式是:


bm25 gensim中的實(shí)現(xiàn)

gensim在實(shí)現(xiàn)bm25的時(shí)候idf值是通過BIM公式計(jì)算得到的:



然后也沒有考慮單詞和query的相關(guān)性灼伤。



其中幾個(gè)關(guān)鍵參數(shù)取值:
PARAM_K1 = 1.5
PARAM_B = 0.75
EPSILON = 0.25

此處EPSILON是用來表示出現(xiàn)負(fù)值的時(shí)候怎么獲取idf值的。

總結(jié)下本文的內(nèi)容:BM25是檢索領(lǐng)域里最基本的一個(gè)技術(shù)咪鲜,BM25 由三個(gè)核心的概念組成狐赡,包括詞在文檔中相關(guān)度、詞在查詢關(guān)鍵字中的相關(guān)度以及詞的權(quán)重疟丙。BM25里的一些參數(shù)是經(jīng)驗(yàn)總結(jié)得到的颖侄,后面我會(huì)繼續(xù)介紹BM25的變種以及和其他文檔信息(非文字)結(jié)合起來的應(yīng)用。

參考

BM25 算法淺析

搜索之 BM25 和 BM25F 模型

經(jīng)典搜索核心算法:BM25 及其變種

信息檢索導(dǎo)論

最后編輯于
?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:七十年代末享郊,一起剝皮案震驚了整個(gè)濱河市览祖,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌炊琉,老刑警劉巖展蒂,帶你破解...
    沈念sama閱讀 218,204評(píng)論 6 506
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異苔咪,居然都是意外死亡锰悼,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,091評(píng)論 3 395
  • 文/潘曉璐 我一進(jìn)店門悼泌,熙熙樓的掌柜王于貴愁眉苦臉地迎上來松捉,“玉大人,你說我怎么就攤上這事馆里“溃” “怎么了?”我有些...
    開封第一講書人閱讀 164,548評(píng)論 0 354
  • 文/不壞的土叔 我叫張陵鸠踪,是天一觀的道長(zhǎng)丙者。 經(jīng)常有香客問我,道長(zhǎng)营密,這世上最難降的妖魔是什么械媒? 我笑而不...
    開封第一講書人閱讀 58,657評(píng)論 1 293
  • 正文 為了忘掉前任,我火速辦了婚禮,結(jié)果婚禮上纷捞,老公的妹妹穿的比我還像新娘痢虹。我一直安慰自己,他們只是感情好主儡,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,689評(píng)論 6 392
  • 文/花漫 我一把揭開白布奖唯。 她就那樣靜靜地躺著,像睡著了一般糜值。 火紅的嫁衣襯著肌膚如雪丰捷。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,554評(píng)論 1 305
  • 那天寂汇,我揣著相機(jī)與錄音病往,去河邊找鬼。 笑死骄瓣,一個(gè)胖子當(dāng)著我的面吹牛停巷,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播累贤,決...
    沈念sama閱讀 40,302評(píng)論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼叠穆,長(zhǎng)吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼!你這毒婦竟也來了臼膏?” 一聲冷哼從身側(cè)響起硼被,我...
    開封第一講書人閱讀 39,216評(píng)論 0 276
  • 序言:老撾萬榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎渗磅,沒想到半個(gè)月后嚷硫,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 45,661評(píng)論 1 314
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡始鱼,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 37,851評(píng)論 3 336
  • 正文 我和宋清朗相戀三年仔掸,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 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医清。...
    茶點(diǎn)故事閱讀 39,977評(píng)論 1 348
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡起暮,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出会烙,到底是詐尸還是另有隱情负懦,我是刑警寧澤,帶...
    沈念sama閱讀 35,697評(píng)論 5 347
  • 正文 年R本政府宣布柏腻,位于F島的核電站纸厉,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏五嫂。R本人自食惡果不足惜颗品,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,306評(píng)論 3 330
  • 文/蒙蒙 一肯尺、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧躯枢,春花似錦则吟、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,898評(píng)論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至败匹,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間讥巡,已是汗流浹背掀亩。 一陣腳步聲響...
    開封第一講書人閱讀 33,019評(píng)論 1 270
  • 我被黑心中介騙來泰國(guó)打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留欢顷,地道東北人槽棍。 一個(gè)月前我還...
    沈念sama閱讀 48,138評(píng)論 3 370
  • 正文 我出身青樓,卻偏偏與公主長(zhǎng)得像抬驴,于是被迫代替她去往敵國(guó)和親炼七。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,927評(píng)論 2 355

推薦閱讀更多精彩內(nèi)容