Przegląd
BM25 to klasyczna funkcja rankingu oparta na słowach kluczowych, która ocenia dokumenty na podstawie częstotliwości pojawiania się terminów w zapytaniu, skorygowanej pod kątem rzadkości terminów i długości dokumentu. Mimo upływu kilkudziesięciu lat pozostaje niezwykle silną i wszechobecną podstawą wyszukiwania.
BM25 i Lexical Retrieval to część stosu językowego AI używanego do czytania, generowania, klasyfikowania i przekształcania tekstu i mowy na dużą skalę.
Głębokie nurkowanie
BM25 (Best Matching 25) to funkcja rankingowa oparta na zbiorze słów, opracowana w probabilistycznych ramach Okapi z lat 90-tych. Dla każdego terminu zapytania łączy trzy sygnały: częstotliwość terminu (jak często słowo pojawia się w dokumencie, przy malejących wynikach kontrolowanych przez parametr k1), odwrotną częstotliwość dokumentu (rzadsze słowa w kolekcji liczą się bardziej) i normalizacja długości dokumentu (parametr b, aby długie dokumenty nie były niesprawiedliwie faworyzowane). Zsumuj te wyniki za semestr, a otrzymasz rangę dokumentu. Nie wymaga szkolenia i działa niesamowicie szybko dzięki odwróconym indeksom, dlatego wyszukiwarki takie jak Elasticsearch i Lucene domyślnie go używają. Pomimo wzrostu popularności wyszukiwania neuronowego, BM25 nadal wygrywa lub remisuje w wielu testach porównawczych, szczególnie w przypadku rzadkich terminów, dokładnych identyfikatorów i zapytań spoza domeny.
Wgląd techniczny
Składnik termin-częstotliwość w BM25 ulega nasyceniu: parametr k1 ogranicza stopień, w jakim powtarzane słowa zwiększają wynik, więc termin pojawiający się 50 razy nie jest 50 razy bardziej trafny niż raz. Parametr b łączy częstotliwość surową i znormalizowaną pod względem długości. IDF zmniejsza wagę popularnych słów, takich jak „the”, i nagradza te wyróżniające się. Ponieważ działa w oparciu o odwrócony indeks odwzorowujący każde słowo na listę dokumentów, punktacja dotyczy tylko dokumentów zawierających zapytania, co czyni ją niezwykle wydajną.
Opanowanie BM25 i wyszukiwania leksykalnego
BM25 to klasyczna funkcja rankingu oparta na słowach kluczowych, która ocenia dokumenty na podstawie częstotliwości pojawiania się terminów w zapytaniu, skorygowanej pod kątem rzadkości terminów i długości dokumentu. Mimo upływu kilkudziesięciu lat pozostaje niezwykle silną i wszechobecną podstawą wyszukiwania. BM25 i Lexical Retrieval to część stosu językowego AI używanego do czytania, generowania, klasyfikowania i przekształcania tekstu i mowy na dużą skalę. Aby zbudować głębokie zrozumienie, traktuj BM25 i wyszukiwanie leksykalne jako model operacyjny, a nie pojedynczą funkcję: zdefiniuj pożądane wyniki, wyjaśnij założenia i oddziel to, co system może niezawodnie zrobić, od tego, co wciąż wymaga fachowej oceny.
W praktyce silne zespoły korzystające z BM25 i Lexical Retrieval projektują pętle podpowiedzi, wyszukiwania i przeglądania jako jeden zintegrowany system komunikacji. Dokumentują wyraźne kryteria sukcesu, testują realistyczne dane i przepływy pracy oraz wykonują iteracje w oparciu o zaobserwowane wzorce niepowodzeń, a nie jednorazowe zwycięstwa w testach porównawczych. W tym miejscu teoretyczne zrozumienie zamienia się w trwałe możliwości w zakresie produktu, polityki i operacji.
Przepływy pracy związane z językiem mogą przebiegać szybciej bez utraty spójności. Jednocześnie halucynacyjne fakty mogą po cichu trafiać do raportów, przepływów wsparcia lub wyników badań. Najbardziej odporne podejście polega na połączeniu szybkości eksperymentowania z dyscypliną zarządzania: przeprowadzanie programów pilotażowych, gromadzenie dowodów, publikowanie dzienników decyzji i ciągłe aktualizowanie zabezpieczeń w miarę ewolucji zachowań modelu, oczekiwań użytkowników i wymagań prawnych.
Wpływ strategiczny
Przepływy pracy związane z językiem mogą przebiegać szybciej bez utraty spójności.
Przepływy pracy związane z językiem mogą przebiegać szybciej bez utraty spójności. W przypadku wdrożeń wysokiej jakości przekłada się to na mierzalne zasady działania, granice własności i rytuały cyklicznych przeglądów, dzięki czemu zespoły mogą zwiększać pewność siebie zamiast skalować niejednoznaczność.
Rozszerza dostęp w różnych językach i stylach komunikacji.
Rozszerza dostęp w różnych językach i stylach komunikacji. W przypadku wdrożeń wysokiej jakości przekłada się to na mierzalne zasady działania, granice własności i rytuały cyklicznych przeglądów, dzięki czemu zespoły mogą zwiększać pewność siebie zamiast skalować niejednoznaczność.
Zespoły mogą spędzać więcej czasu na ocenie, podczas gdy automatyzacja radzi sobie z powtarzalnością.
Zespoły mogą spędzać więcej czasu na ocenie, podczas gdy automatyzacja radzi sobie z powtarzalnością. W przypadku wdrożeń wysokiej jakości przekłada się to na mierzalne zasady działania, granice własności i rytuały cyklicznych przeglądów, dzięki czemu zespoły mogą zwiększać pewność siebie zamiast skalować niejednoznaczność.
Implementacja w świecie rzeczywistym
Domyślny ranking trafności w Elasticsearch, OpenSearch i Apache Lucene/Solr
Pobieranie kandydatów w pierwszym etapie, które zasila wolniejszą zmianę rankingu neuronowego w wyszukiwaniu dwuetapowym
Wyszukiwanie kodów i dzienników, gdzie dokładne identyfikatory i kody błędów muszą być dokładnie dopasowane
Wydobywanie twardych negatywnych przykładów w celu szkolenia gęstych retrieverów, takich jak DPR
Wzorce implementacyjne
BM25 i odzyskiwanie leksykalne w praktyce
Domyślny ranking trafności w Elasticsearch, OpenSearch i Apache Lucene/Solr.
Domyślny ranking trafności w Elasticsearch, OpenSearch i Apache Lucene/Solr Zespoły zwykle uzyskują lepsze wyniki, gdy z góry zdefiniują progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków brzegowych i śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
BM25 i odzyskiwanie leksykalne w praktyce
Pobieranie kandydatów w pierwszym etapie, które zasila wolniejszą zmianę rankingu neuronowego w wyszukiwaniu dwuetapowym.
Pobieranie kandydatów na pierwszym etapie, które zasila wolniejszą zmianę rankingu neuronowego w wyszukiwaniu dwuetapowym. Zespoły zwykle uzyskują lepsze wyniki, gdy z góry zdefiniują progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków brzegowych i śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
BM25 i odzyskiwanie leksykalne w praktyce
Wyszukiwanie kodów i dzienników, gdzie dokładne identyfikatory i kody błędów muszą być dokładnie dopasowane.
Przeszukiwanie kodów i dzienników, gdzie dokładne identyfikatory i kody błędów muszą być dokładnie dopasowane. Zespoły zwykle uzyskują lepsze wyniki, gdy z góry zdefiniują progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków brzegowych i śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
BM25 i odzyskiwanie leksykalne w praktyce
Wydobywanie twardych negatywnych przykładów w celu szkolenia gęstych retrieverów, takich jak DPR.
Wyszukiwanie twardych, negatywnych przykładów w celu szkolenia gęstych retrieverów, takich jak DPR. Zespoły zwykle uzyskują lepsze wyniki, gdy z góry zdefiniują progi jakości, utrzymują ludzką ścieżkę eskalacji w przypadku przypadków brzegowych i śledzą zarówno wzrost produktywności, jak i koszty błędów w czasie.
Zagrożenia i poręcze
Halucynacyjne fakty mogą po cichu trafiać do raportów, strumieni wsparcia lub wyników badań.
Szybka czułość może spowodować niespójne wyniki w przypadku podobnych żądań.
Wrażliwe dane tekstowe mogą zostać ujawnione, jeśli kontrola dostępu jest słaba.
Plan wdrożenia
Zdefiniuj format wyjściowy, ton i standardy jakości przed wdrożeniem.
Zdefiniuj format wyjściowy, ton i standardy jakości przed wdrożeniem. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.
Zawsze, gdy liczy się dokładność, korzystaj z zaufanych źródeł.
Zawsze, gdy liczy się dokładność, korzystaj z zaufanych źródeł. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.
Utrzymuj punkt kontrolny weryfikacji ręcznej w przypadku wyników o wysokiej stawce.
Utrzymuj punkt kontrolny weryfikacji ręcznej w przypadku wyników o wysokiej stawce. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.
Śledź wzorce niepowodzeń i regularnie powtarzaj monity lub przepływy pracy.
Śledź wzorce niepowodzeń i regularnie powtarzaj monity lub przepływy pracy. Traktuj każdy krok jako bramkę dowodową: jeśli kryteria nie są spełnione, wstrzymaj wdrażanie, uzupełnij lukę i dopiero wtedy zwiększ wykorzystanie.