BM25算法简介与应用

学习目标

1. 理解BM25算法的基本原理及其在信息检索中的作用。
2. 掌握如何使用BM25进行文本匹配。
3. 学会将BM25算法集成到工程化代码中。

---

BM25算法概述

BM25（Best Matching 25）是一种信息检索领域的排名算法，用于计算查询（Query）与文档（Document）之间的相关性得分。它改进了传统的TF-IDF算法，引入文档长度归一化和词频饱和机制，使检索结果更准确。

其中：

• fi 是词项 qi在文档 D中的出现次数（TF），
• N是文档总数，
• ni是包含词项 qi的文档数，
• ∣D∣是文档 D的长度，
• avgdl 是所有文档的平均长度，
• k1 和 b是调整参数，通常设置为 k1=1.2和 b=0.75 。

简单示例

假设我们有以下文档集合：

• 文档1："我喜欢编程"

• 文档2："编程很有趣"
• 查询："他喜欢编程"

步骤：

1. 分词：将文档和查询拆分为词。
   • 文档1：["我", "喜欢", "编程"]
   • 文档2：["编程", "很", "有趣"]
   • 查询：["他", "喜欢", "编程"]
2. 计算BM25得分：使用rank_bm25库计算每个文档与查询的相关性。

---

代码实现

整体结构

bm25_lesson/
├── retrieval/
│   └── bm25_search.py  # BM25检索模块
├── main.py             # 主程序入口
└── requirements.txt    # 依赖文件

检索模块 (retrieval/bm25_search.py)

import jieba
from rank_bm25 import BM25L
import logging

# 配置日志
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
logger = logging.getLogger(__name__)

class BM25Search:
    def __init__(self, documents):
        # 初始化文档集合
        self.documents = documents
        # 分词后的文档
        self.tokenized_docs = [jieba.lcut(doc) for doc in documents]
        # 初始化BM25模型
        self.bm25 = BM25L(self.tokenized_docs)
        logger.info("BM25模型初始化完成")

    def search(self, query):
        # 分词查询
        tokenized_query = jieba.lcut(query)
        try:
            # 计算每个文档的BM25得分
            scores = self.bm25.get_scores(tokenized_query)
            print(f'scores--》{scores}')
            # 获取最高得分的文档索引
            best_idx = scores.argmax()
            best_score = scores[best_idx]
            best_doc = self.documents[best_idx]
            logger.info(f"查询: {query}, 最佳匹配: {best_doc}, 得分: {best_score}")
            return best_doc, best_score
        except Exception as e:
            logger.error(f"检索失败: {e}")
            return None, 0.0

主程序 (main.py)

from retrieval.bm25_search import BM25Search
import logging

# 配置日志
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
logger = logging.getLogger(__name__)

def main():
    # 示例文档集合
    documents = ["我喜欢编程", "编程很有趣"]
    # 初始化BM25检索器
    bm25_search = BM25Search(documents)
    # 示例查询
    query = "他喜欢编程"
    # 执行检索
    result, score = bm25_search.search(query)
    if result:
        logger.info(f"查询结果: {result}, 得分: {score}")
    else:
        logger.info("未找到匹配结果")

if __name__ == "__main__":
    main()

依赖文件 (requirements.txt)

jieba
rank_bm25

---

示例运行结果

运行main.py，输出如下：

2025-04-02 19:01:27,463 - INFO - BM25模型初始化完成
2025-04-02 19:01:27,464 - INFO - 查询: 他喜欢编程, 最佳匹配: 我喜欢编程, 得分: 1.094
2025-04-02 19:01:27,464 - INFO - 查询结果: 我喜欢编程, 得分: 1.094

分析

• "编程很有趣"得分高于"我喜欢编程"，因为前者词频更高且文档较短。
• BM25通过长度归一化避免了长文档的过度优势。

---

总结

本节主要介绍了BM25算法的原理和应用：

• 原理：结合TF、IDF、长度归一化和词频饱和。

• 应用：通过rank_bm25库实现文本检索。

下一章将介绍Redis数据库的应用。

---