BM25 và truy xuất từ vựng
BM25 là chức năng xếp hạng dựa trên từ khóa cổ điển để chấm điểm tài liệu theo tần suất xuất hiện của cụm từ truy vấn, được điều chỉnh theo độ hiếm của cụm từ và độ dài tài liệu.
Tổng quan
Decades old, it remains a remarkably strong and ubiquitous baseline for search.
Lặn sâu
BM25 (Kết hợp tốt nhất 25) là một chức năng xếp hạng theo cụm từ từ khung xác suất Okapi của những năm 1990. Đối với mỗi thuật ngữ truy vấn, nó kết hợp ba tín hiệu: tần suất thuật ngữ (tần suất từ xuất hiện trong tài liệu, với kết quả giảm dần được kiểm soát bởi tham số k1), tần suất tài liệu nghịch đảo (các từ hiếm hơn trong bộ sưu tập được đếm nhiều hơn) và chuẩn hóa độ dài tài liệu (tham số b, vì vậy các tài liệu dài không được ưa chuộng một cách không công bằng). Tổng hợp các điểm số mỗi học kỳ này và bạn sẽ có được thứ hạng của tài liệu. Nó không cần đào tạo và chạy cực nhanh thông qua các chỉ mục đảo ngược, đó là lý do tại sao các công cụ tìm kiếm như Elasticsearch và Lucene sử dụng nó theo mặc định. Bất chấp sự gia tăng của khả năng truy xuất thần kinh, BM25 vẫn giành chiến thắng hoặc hòa ở nhiều điểm chuẩn, đặc biệt là đối với các thuật ngữ hiếm, số nhận dạng chính xác và truy vấn ngoài miền.
Hiểu biết kỹ thuật
Thành phần tần số thuật ngữ của BM25 đã bão hòa: tham số k1 giới hạn số lượng từ lặp lại sẽ nâng cao điểm số, do đó, một thuật ngữ xuất hiện 50 lần không có mức độ liên quan cao hơn 50 lần so với một lần. Tham số b kết hợp tần số thô và tần số chuẩn hóa theo chiều dài. IDF giảm trọng số những từ phổ biến như 'the' và khen thưởng những từ đặc biệt. Bởi vì nó hoạt động trên một chỉ mục đảo ngược ánh xạ từng từ vào danh sách tài liệu của nó, nên việc chấm điểm chỉ chạm vào những tài liệu chứa cụm từ truy vấn, khiến nó cực kỳ hiệu quả.
Tác động chiến lược
Tốc độ và tỷ lệ
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán.
Truy cập và tiếp cận
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp.
Quyết định rõ ràng hơn
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại.
Tương lai của BM25 và Truy xuất từ vựng
BM25 khó có thể biến mất; thay vào đó, nó ngày càng được kết hợp với các phương pháp thần kinh trong truy xuất kết hợp, trong đó điểm số từ vựng và điểm dày đặc được hợp nhất (thường thông qua phản ứng tổng hợp thứ hạng đối ứng). Các mô hình thưa thớt đã học như SPLADE kết hợp thưa thớt kiểu BM25 với trọng số thuật ngữ thần kinh và BM25 thường đóng vai trò là công cụ truy xuất giai đoạn đầu trước khi sắp xếp lại thần kinh. Tốc độ, khả năng diễn giải và chi phí đào tạo bằng 0 của nó đảm bảo vai trò lâu dài trong tìm kiếm sản xuất.
Triển khai trong thế giới thực
Xếp hạng mức độ liên quan mặc định trong Elaticsearch, OpenSearch và Apache Lucene/Solr
Truy xuất ứng viên ở giai đoạn đầu cung cấp công cụ sắp xếp lại thần kinh chậm hơn trong tìm kiếm hai giai đoạn
Tìm kiếm mã và nhật ký trong đó mã định danh chính xác và mã lỗi phải khớp chính xác
Khai thác các ví dụ tiêu cực khó để huấn luyện những chú chó tha mồi dày đặc như DPR
Rủi ro & lan can
Sự thật ảo giác có thể lặng lẽ đi vào báo cáo, luồng hỗ trợ hoặc kết quả nghiên cứu.
Sự nhạy cảm kịp thời có thể tạo ra kết quả không nhất quán đối với các yêu cầu tương tự.
Dữ liệu văn bản nhạy cảm có thể bị lộ nếu khả năng kiểm soát quyền truy cập yếu.
Lộ trình thực hiện
Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the BM25 and Lexical Retrieval quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
ColBERT Truy xuất tương tác muộn
Câu hỏi thường gặp
What is BM25 and Lexical Retrieval?
BM25 là chức năng xếp hạng dựa trên từ khóa cổ điển để chấm điểm tài liệu theo tần suất xuất hiện của cụm từ truy vấn, được điều chỉnh theo độ hiếm của cụm từ và độ dài tài liệu. Đã nhiều thập kỷ trôi qua, nó vẫn là một cơ sở cơ sở rất mạnh mẽ và phổ biến cho tìm kiếm.
BM25 chủ yếu dùng gì để xếp hạng tài liệu?
BM25 kết hợp tần suất thuật ngữ, tần suất tài liệu nghịch đảo (độ hiếm của thuật ngữ) và chuẩn hóa độ dài tài liệu thành điểm liên quan.
Tần số tài liệu nghịch đảo (IDF) đóng vai trò gì trong BM25?
IDF khen thưởng các thuật ngữ hiếm trong bộ sưu tập và giảm trọng số các từ phổ biến, vì các kết quả hiếm có nhiều thông tin hơn.
Tại sao BM25 áp dụng chuẩn hóa độ dài tài liệu (tham số b)?
Nếu không chuẩn hóa, các tài liệu dài hơn sẽ tích lũy nhiều kết quả khớp thuật ngữ hơn; tham số b điều chỉnh độ dài để so sánh được công bằng.
Cấu trúc dữ liệu nào làm cho BM25 nhanh ở quy mô lớn?
Chỉ mục đảo ngược cho phép BM25 chỉ chấm điểm những tài liệu có chứa thuật ngữ truy vấn, giúp việc truy xuất trở nên rất hiệu quả.