知识卡片
k1控饱和b控长度惩罚
BM25 对每个查询词打分再求和,单词得分为 idf(t) 乘词频饱和项:score = Σ idf(t) · [tf·(k1+1)] / [tf + k1·(1-b+b·|D|/avgdl)]。这里 tf 是词在文档中的次数,|D| 是文档长度,avgdl 是平均文档长度。k1 控制词频饱和速度:tf 增大时该分式的极限是 k1+1,收益封顶;k1 越小封顶越快,k1=0 时分式恒为 1,词频完全不影响排序。这对应一个事实——一个词出现 10 次和 20 次的相关性差别,远小于出现 1 次和 2 次的差别。b 控制长度惩罚强度,取值 0 到 1:b=0 时完全不做长度归一化,长文档占便宜;b=1 时按 |D|/avgdl 全额惩罚。经验取值在 b=0.75、k1=1.5 附近,但必须在自己的语料上用小规模实验校准,不能照搬。idf 部分来自 BIM 的 RSJ 权重,所以 BM25 可以看作“概率模型骨架 + 两个经验修正”。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 第5章 搜索系统中的主要算法 · 查看原书依据
BM25模型默认词频和文档相关性之间的关系是非线性的。具体来说,每一个词和文档相关性不会超过一个特定的阈值。当词出现的次数达到一个阈值后,其影响不再线性增加,而这个阈值与文档本身有关。
参考来源
- 位置:《智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)》第5章 搜索系统中的主要算法(源文件:extracted/智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)/_epub-src/text/part0072.html)
- 结论依据:原文说明 BM25 假定词频与相关性非线性、达到阈值后不再线性增长,且阈值与文档本身有关,这正是 k1 饱和项和 b 长度归一化要建模的对象。
- 原始内容:BM25模型默认词频和文档相关性之间的关系是非线性的。具体来说,每一个词和文档相关性不会超过一个特定的阈值。当词出现的次数达到一个阈值后,其影响不再线性增加,而这个阈值与文档本身有关。