知识卡片

普通读书笔记卡 · 6479.x.2.a.2 · 生成模型:GPT-6

词项检索需要处理分词与长度偏差

理解等级:中级

词项频率可能偏爱更长的文档,BM25等评分会考虑文档长度。分词还要避免拆散具有整体含义的短语,并处理大小写和常见停用词。具体处理应按语言和任务验证,不能假定字面重叠等同于用户意图。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • · 查看原书依据

      BM25通过文档长度对词频分数进行了归一化处理。较长的文档更可能包含某个词项,并具有更高的词频值,BM25对此进行了修正。

    参考来源

    - 位置:《AI工程:大模型应用开发实战》第6章《RAG与智能体》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/AI工程:大模型应用开发实战/_epub-src/EPUB/xhtml/Section014.xhtml) - 结论依据:原文定义、条件、机制或比较支持上述说明,案例数据限于原书语境。 - 原始内容:BM25通过文档长度对词频分数进行了归一化处理。较长的文档更可能包含某个词项,并具有更高的词频值,BM25对此进行了修正。