NLP-BM25算法理解
作者：互联网
前两天老师给我们讲解了BM25算法，其中包括由来解释，以及算法推导，这里我再将其整理，这里我不讲解之前的BIM模型，大家有兴趣可以自行了解。
Okapi BM25:一个非二值的模型
bm25 是一种用来评价搜索词和文档之间相关性的算法，它是一种基于概率检索模型提出的算法。
举个例子：我们查询关键词red apple ，将其分词为red 和apple，我们在我们的1000个文档中分别索引这两个词，但是我们发现red的似乎经常出现，然而apple出现频率不高，那我们将这一千个文档进行得分排序，如果某个文档中red出现的次数很高，而apple出现次数很少，安装普通的得分排序的话（出现一次算一分）那我们red出现越多，它的分数就会越高，但是这却违背了我们所需要，因为我们检索的是red apple，所以，BM25就是来消除这种相关性不高的问题，即为我们所查询的词有一个权值比重，即为idf（这里我们后面会讲解）。
**1.BM25模型**
其实，这个公式不难理解，他只有三个部分
1.计算单词权重：
2.单词和文档的相关度：
3.单词和query（关键词）的相关性：
**2.idf解释（单词权重计算）**
在上面我们已经看到了公式，但是还不是很理解是什么意思，所以这里我们慢慢理解体会：
N：是所有的文档数目.
dft:是我们的关键词通过倒排算法得出的包含t的文档数目（即为上述例子中，red 在1000个文档中出现的文档次数）
例如，我们在1000个文档中出现red的次数为10，那么**N/dft**=100，即可算出他的权重。
**3.tf解释（单词和文档相关度）**
其实，BM25最主要的方面在于 idf*tf，就是查询词的权重*查询词和文档的相关性。
tftd：tftd 是词项 t 在文档 d 中的权重。
Ld 和 Lave ：分别是文档 d 的长度及整个文档集中文档的平均长度。
k1：是一个取正值的调优参数，用于对文档中的词项频率进行缩放控制。如果 k 1 取 0，则相当于不考虑词频，如果 k 1取较大的值，那么对应于使用原始词项频率。
b ：是另外一个调节参数 （0≤ b≤ 1），决定文档长度的缩放程度：b = 1 表示基于文档长度对词项权重进行完全的缩放，b = 0 表示归一化时不考虑文档长度因素。
**4.单词和query（关键词）的相关性解释**
tftq：是词项t在查询q中的权重。
k3： 是另一个取正值的调优参数，用于对查询中的词项tq 频率进行缩放控制。 下面是调用AP90跑出来的数据结果（BM25）：
同学们可以先了解BIM模型，这是一个较为简单的模型，BM25在很多地方都可以用到。
Okapi BM25:一个非二值的模型
bm25 是一种用来评价搜索词和文档之间相关性的算法，它是一种基于概率检索模型提出的算法。
举个例子：我们查询关键词red apple ，将其分词为red 和apple，我们在我们的1000个文档中分别索引这两个词，但是我们发现red的似乎经常出现，然而apple出现频率不高，那我们将这一千个文档进行得分排序，如果某个文档中red出现的次数很高，而apple出现次数很少，安装普通的得分排序的话（出现一次算一分）那我们red出现越多，它的分数就会越高，但是这却违背了我们所需要，因为我们检索的是red apple，所以，BM25就是来消除这种相关性不高的问题，即为我们所查询的词有一个权值比重，即为idf（这里我们后面会讲解）。
**1.BM25模型**
其实，这个公式不难理解，他只有三个部分
1.计算单词权重：
2.单词和文档的相关度：
3.单词和query（关键词）的相关性：
**2.idf解释（单词权重计算）**在上面我们已经看到了公式，但是还不是很理解是什么意思，所以这里我们慢慢理解体会：
N：是所有的文档数目.
dft:是我们的关键词通过倒排算法得出的包含t的文档数目（即为上述例子中，red 在1000个文档中出现的文档次数）
例如，我们在1000个文档中出现red的次数为10，那么**N/dft**=100，即可算出他的权重。
**3.tf解释（单词和文档相关度）**
其实，BM25最主要的方面在于 idf*tf，就是查询词的权重*查询词和文档的相关性。
tftd：tftd 是词项 t 在文档 d 中的权重。
Ld 和 Lave ：分别是文档 d 的长度及整个文档集中文档的平均长度。
k1：是一个取正值的调优参数，用于对文档中的词项频率进行缩放控制。如果 k 1 取 0，则相当于不考虑词频，如果 k 1取较大的值，那么对应于使用原始词项频率。
b ：是另外一个调节参数 （0≤ b≤ 1），决定文档长度的缩放程度：b = 1 表示基于文档长度对词项权重进行完全的缩放，b = 0 表示归一化时不考虑文档长度因素。
**4.单词和query（关键词）的相关性解释**
tftq：是词项t在查询q中的权重。
k3： 是另一个取正值的调优参数，用于对查询中的词项tq 频率进行缩放控制。 下面是调用AP90跑出来的数据结果（BM25）：
同学们可以先了解BIM模型，这是一个较为简单的模型，BM25在很多地方都可以用到。
标签：NLP,apple,BM25,单词,算法,文档,词项,red 来源： https://www.cnblogs.com/lh9527/p/9527-9.html