文档检索之BM25

本篇介绍文档检索排序算法：TF-IDF、BM25及其扩展。

TF-IDF

TF-IDF 来源于一个最经典、也是最古老的信息检索模型，即“向量空间模型”（Vector Space Model）。向量空间模型就是希望把查询关键字和文档都表达成向量，然后利用向量之间的运算（点积或余弦相似度等）来进一步表达向量间的关系。
对于查询关键字，向量的长度是 V（词汇表的大小）。其中关键字的单词出现过的维度对应值是 1，其他维度值是 0。对于目标文档而言，关键词出现过的维度取值是 TF-IDF 的数值，而其他维度是 0。在这样的表达下，如果我们对两个文档进行“点积”操作，则得到的相关度打分（Scoring）就是 TF-IDF 作为相关度的打分结果。相当于word embedding常用的lookup table，查找对应的分数并相加。

TF-IDF定义：TF-IDF=TF×IDF

TF：关键词在文档中出现的频次；IDF：涵盖了这个单词的文档数量的倒数，用来“惩罚”那些出现在太多文档中的单词。

TF-IDF 算法变种

1. TF上限的角度。
   对 TF 进行log变换，是一个不让 TF 线性增长的技巧。
2. TF 归一化（常用）“长文档”和“短文档”的区别。
   对 TF 进行“标准化”（Normalization），如根据文档中的词汇量或者根据文档的最大 TF 值进行标准化，这是另外一个比较常用的技巧。
3. 对 IDF 进行对数处理（常用）
   使用 N+1 除以 DF 作为一个新的 DF 的倒数，并且再在这个基础上通过一个对数变化。这里的 N 是所有文档的总数。这样做的好处就是，第一，使用了文档总数来做标准化，很类似上面提到的标准化的思路；第二，利用对数来达到非线性增长的目的。
4. IDF改为IWF
   对IDF计算中的文档数量改为单词的词频，将评价重要度的粒度从doc数量细化到出现总次数。

如果要把 TF-IDF 应用到中文环境中，是否需要一些预处理的步骤？

中文首先要分词，分词后要解决多词一义，以及一词多义问题，这两个问题通过简单的tf-idf方法不能很好的解决，于是就有了后来的词嵌入方法，用向量来表征一个词。

BM25

BM25，全称是 Okapi BM25，是由英国一批信息检索领域的计算机科学家开发的排序算法，在 20 世纪 70 年代开始被提出。在信息检索和文本挖掘领域，具有理论基础，在工程实践中被广泛应用。这里的“BM”是“最佳匹配”（Best Match）的简称，BM25 是“非监督学习”排序算法中的一个典型代表。

BM25 其实是一个经验公式，这里面的每一个成分都是经过很多研究者的迭代而逐步发现的。很多研究在理论上对 BM25 进行了建模，从“概率相关模型”（Probabilistic Relevance Model）入手，推导出 BM25 其实是对某一类概率相关模型的逼近。

现代的 BM25 算法是用来计算某一个目标文档（Document）相对于一个查询关键字（Query）的“相关性”（Relevance）的流程。

BM25 分为三个部分：

• 单词和目标文档的相关性
• 单词和查询关键词的相关性
• 单词的权重部分

这三个部分的乘积组成某一个单词的分数。然后，整个文档相对于某个查询关键字的分数，就是所有查询关键字里所有单词分数的总和。

通常单词在文档中出现的频次TF越高往往越相关，而IDF可衡量单词对于文档的权重。BM25同样从TF-IDF的思路出发基于经验进行设计改进。TF-IDF 没有考虑词频上限的问题，因为标准实践中通常会移除高频停用词。BM25 最大的贡献之一就是挖掘出了词频和相关性之间的关系是非线性的，某一个单词对最后分数的贡献不会随着词频的增加而无限增加。

衡量文档匹配相似度的方法-BM25的公式如下：

$$\text{BM25}(D,Q)=\sum _{i=1}^n\text{IDF}(q_i)\cdot S(q_i,D)\cdot S(q_i,Q)$$

由于对查询query中的所有单词进行加权求和，与单词数量相关，值域在[0, +无穷)，没有上限。

其中IDF与普通的IDF计算方式无异，作为单词的权重。

单词与文档的相关性的定义为$S(q_i,D)=\frac{(k_1+1)t{f}_{td}}{K+t{f}_{td}}=\frac{k_1+1}{\frac{K}{t{f}_{td}}+1}$，$K=k_1(1-b+b\ast \frac{L_d}{L_{ave}})$

其中，$t{f}_{td}$ 是单词t在文档d中的词频，Ld​是文档d的长度，$L_{ave}$​是所有文档的平均长度，用于长度归一化。

变量k1是一个正的参数，用来标准化文章词频的范围，当k1=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。这个参数控制着词频结果在词频饱和度中的上升速度。经验值为 1.2 。值越小饱和度变化越快，值越大饱和度变化越慢。

b是另一个可调参数（0<b<1），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。b越大，文档长度的对相关性得分的影响越大，反之越小。而文档的相对长度越长，K值将越大，则相关性得分会越小。这可以理解为，当文档较长时，包含该单词的机会越大，因此，同等频率的情况下，长文档与qi的相关性应该比短文档与qi的相关性弱。经验值为 0.75 。

在相关性定义公式中$k_1,b,L_d,L_{ave}$都是固定的，只有$t{f}_{td}$ 影响qi的相关性的相对大小，词频越大，分数也越大，呈非线性关系。这里TF的计算可以采用TF-IDF中常见的归一化后的TF计算方式。

单词与query的相关性计算方式与文档的方式相同，只不过由于query通常较短，不需要考虑长度对相关性得分的影响（将b置0，K=k1）。又因为query中出现的单词词频大多为1，所以$S(q_i,Q)$可直接取值1，从而忽略该项的计算。

$$\begin{array}{}\text{(1)}& \text{score}(D,Q)=& \sum _{i=1}^n\text{IDF}(q_i)\cdot \frac{\mathrm{T}\mathrm{F}({\mathrm{q}}_{\mathrm{i}},\mathrm{D})\cdot ({\mathrm{k}}_1+1)}{\mathrm{T}\mathrm{F}({\mathrm{q}}_{\mathrm{i}},\mathrm{D})+{\mathrm{k}}_1(1-\mathrm{b}+\mathrm{b}\frac{|\mathrm{D}|}{\mathrm{a}\mathrm{v}\mathrm{g}\mathrm{d}\mathrm{l}})}\text{(2)}& \mathrm{I}\mathrm{D}\mathrm{F}({\mathrm{q}}_{\mathrm{i}})=& \log \frac{N-n(q_i)+0.5}{n(q_i)+0.5}\text{(3)}& b=& 0.75,k_1\in [1.2,2.0]\end{array}$$

BM25属于基于隐空间（latent space）的传统匹配方法，将query、doc映射到同一空间，对于query的表示采用的是布尔模型表达，也就是term出现为1，否则为0。计算框架示意图如下：

bm25

$$\begin{array}{rl}{f}_{BM25}(\mathbf{q},\mathbf{d})& =\sum _{q_i\in \mathbf{q}}\mathrm{IDF}\left(q_i\right)\frac{tf(q_i,\mathbf{d})}{tf(q_i,\mathbf{d})+k_1(1-b+b\cdot \frac{|\mathbf{d}|}{avgdl})}\\ & =\sum _{w\in \mathbf{V}}{1}_{w\in \mathbf{q}}\times \frac{\mathrm{IDF}(w)\cdot tf(w,\mathbf{d})}{tf(w,\mathbf{d})+k_1(1-b+b\cdot \frac{|\mathbf{d}|}{avgdl})}\\ & =⟨{\mathbf{x}}^{\mathbf{q}},{\mathbf{x}}^{\mathbf{d}}⟩\end{array}$$

中文适配：在英文等按空格分词的语言中常采用IDF作为词的权重，而中文领域中的分词技术已经有了长足的发展，可以将简单的IDF替换成复杂的分词权重来做中文的检索匹配。

BM25扩展

代表性的扩展 BM25F，是在 BM25 的基础上再多个“域”（Field）文档上的计算。把每个域当做单独的文档，进行计算，然后集合每个域的值，进行加权平均得到最终分数。

参考：

• 可插拔的相似度算法
• 032 | 经典搜索核心算法：BM25及其变种
• BM25算法, Best Matching