码迷,mamicode.com
首页 > 其他好文 > 详细

搜索之BM25和BM25F模型

时间:2017-04-17 14:25:17      阅读:512      评论:0      收藏:0      [点我收藏+]

标签:tin   慢慢   集合   white   log   mode   特征   引用   nts   

一、引子 BIM(二元如果模型)        

近期在优化文本相关性。使用到BM25和BM25F模型。可是发现网络上关于BM25和BM25F模型的介绍比較少,在此总结一下,方便记忆,还有一方面搜了一下相关的资料,发现比較少。写下来欢迎大家查阅。

介绍BM25模型首先要介绍二元独立模型BIM。

如果一:二元如果

    所谓二元如果,类似于布尔模型的表示方法,一篇文章在由特征表示的时候。以特征“出现”和“不出现”两种情况来表示,也能够理解为相关不相关。

如果二:词汇独立性如果

    所谓独立性如果,是指文档里出现的单词之间没有不论什么关联。任一个单词在文章中的分布率不依赖于还有一个单词是否出现,这个如果明显与事实不符,可是为了简化计算。非常多地方须要做出独立性如果。这样的如果是普遍的。

    在以上两个如果的前提下,二元独立模型即能够对两个因子P(D|R)和P(D|NR)进行估算(条件概率),举个简单的样例。文档D中五个单词的出现情况例如以下:{1,0,1,0,1} 0表示不出现,1表示出现。用Pi表示第i个单词在相关文档中出现的概率,在已知相关文档集合的情况下,观察到文档D的概率为:

技术分享

对于因子P(D|NR)。我们如果用Si表示第i个单词在在不相关文档集合中出现的概率,于是在已知不相关文档集合的情况下,观察到文档D的概率为:

技术分享

于是我们能够得到以下的估算

技术分享

能够将各个因子规划为两个部分,一部分是在文档D中出现的各个单词的概率乘积,还有一部分是没在文档D中出现的各个单词的概率乘积,于是公式能够理解为以下的形式

技术分享

对公式进行一下等价的变换。可得:

技术分享

第一部分代表在文章中出现过的单词所计算得到的单词概率乘积。第二部分表示全部特征词计算得到单词概率乘积。它与详细的文档无关,全部文档该项的得分一致,所以在排序中不起作用,能够抹除掉。得到终于的估算公式:

技术分享

为了方便计算,对上述公式两边取log,得到:

技术分享

那么怎样估算概率Si和Pi呢,假设给定用户查询。我们能确定哪些文档集合构成了相关文档集合,哪些文档构成了不相关文档集合,那么就能够用例如以下的数据对概率进行估算:

技术分享

依据上表能够计算出Pi和Si的概率估值。为了避免log(0),对估值公式进行平滑操作,分子+0.5。分母+1.0

技术分享

技术分享

代入估值公式得到:

技术分享

        这个公式代表的含义就是。对于同一时候出如今查询Q和文档D中的单词,累加每一个单词的估值结果就是文档D和查询Q的相关性度量,在预先不知道哪些文档相关哪些文档不相关的情况下。能够使用固定值取代,这样的情况下该公式等价于向量空间模型(VSM)中的IDF因子,实际证明该模型的实际使用结果不好,可是它是BM25模型的基础。

二、BM25模型

BIM(二元如果模型)对于单词特征,仅仅考虑单词是否在doc中出现过。并没有考虑单词本身的相关特征,BM25在BIM的基础上引入单词在查询中的权值,单词在doc中的权值,以及一些经验參数。所以BM25在实际应用中效果要远远好于BIM模型。

技术分享

        BM25由3部分组成,第一部分是BIM模型得分,上面也提到了,在一定的情况下该部分等价于IDF,第二部分是查询词在文档D中的权值。f是查询词在文档中的频率。K1和K是经验參数,第三部分是查询词自身的特征,qf是查询词在用户查询中的频率,但一般用户查询都比較短,qf通常是1,K2是经验參数。从上面的公式能够看出BM25是查询中单词的分值叠加得到,每一个单词是一个个体,而整个文档被作为一个总体。

    在第二部分中K因子代表了文档长度的考虑。dl是文档的长度。avdl是文档的平均长度。k1和b是调整參数,b为0时即不考虑文档长度的影响,经验表明b=0.75左右效果比較好。

可是也要依据对应的场景进行调整。

b越大对文档长度的惩处越大,k1因子用于调整词频,极限情况下k1=0,则第二部分退化成1,及词频特征失效。能够证明k1越大词频的作用越大。

       在我们不知道哪些文档相关。哪些文档不相关的情况下。将相关文档数R及包括查询词相关文档数r设为0。那么第一部分的BIM公式退化成:

技术分享

就是IDF因子的定义。N是总文档数,n是查询词的tf信息,0.5是平滑因子。

以上就是BM25的定义

技术分享



三、BM25F

   BM25F是典型BM25的改进算法,BM25在计算相关性时把文档当做总体来考虑,但随着搜索技术的发展。文档慢慢的被结构化数据所取代,没个文档都会被切分成多个独立的域,尤其是垂直化的搜索。比如网页有可能被切分成标题。内容,主题词等域,这些域对文章主题的贡献不能同等对待,所以权重就要有所偏重。BM25没有考虑这点,所以BM25F在此基础上做了一些改进,就是不再单单的将单词作为个体考虑,并且将文档也依照field划分为个体二考虑。所以BM25F是每一个单词在各个field中分值的加权求和。

技术分享

技术分享

boost是对应域的权值,Lc是field的长度。AVLc是field的平均长度,Bc是调节因子。最后BM25F的终于值就是各个field分值的加权求和。


引用:张俊林《这就是搜索引擎》

Integrating the Probabilistic Model BM25/BM25F into Lucene.


搜索之BM25和BM25F模型

标签:tin   慢慢   集合   white   log   mode   特征   引用   nts   

原文地址:http://www.cnblogs.com/liguangsunls/p/6722444.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!