BM25Retriever 支持中文吗?
llama_index 的BM25Retriever 基于Rank-BM25[1]的Okapi BM25。
Rank-BM25, 两行代码实现搜索引擎
Rank-BM25 提供了多种BM25算法, 如Okapi BM25, BM25L, BM25+等。它的使用也非常简单
安装
pip install rank_bm25
初始化
以Okapi BM25为例
from rank_bm25 import BM25Okapi
corpus = [
"Hello there good man!",
"It is quite windy in London",
"How is the weather today?"
]
# 分词使用空格
tokenized_corpus = [doc.split(" ") for doc in corpus]
bm25 = BM25Okapi(tokenized_corpus)
查询(文档排名)
query = "windy London"
tokenized_query = query.split(" ")
doc_scores = bm25.get_scores(tokenized_query)
# array([0. , 0.93729472, 0. ])
💡:Rank-BM25 不做任何文本预处理。如果想要做诸如转换为小写、停用词移除、词干提取等操作,需要自己实现。所以如果要进行处理中文,就需要用到专业的中文分词器了。
中文分词器
分词器是自然语言处理(NLP)中非常重要的工具,它们将连续的文本字符串分割成有意义的单元,通常是单词或短语。中文分词器的实现很多,如 jieba,SnowNLP,THULAC, HanLP 等,可以根据需要选择,这里就以 jieba 为例。
安装
pip install nltk jieba
下载停用词
import nltk
nltk.download('stopwords')
import jieba
from typing import List
def chinese_tokenizer(text: str) -> List[str]:
tokens = jieba.lcut(text)
return [token for token in tokens if token not in stopwords.words('chinese')]
corpus = [
"床前明月光",
"疑是地上霜",
"举头望明月",
"低头思故乡",
]
tokenized_corpus = [chinese_tokenizer(doc) for doc in corpus]
bm25 = BM25Okapi(tokenized_corpus)
query = "床前明月光"
tokenized_query = chinese_tokenizer(query)
doc_scores = bm25.get_scores(tokenized_query)
doc_scores
# array([1.8621931, 0. , 0. , 0. ])
BM25Retriever
BM25Retriever 基于 Rank-BM25,可以指定分词方法,如果不指定,则使用默认的tokenize_remove_stopwords。
from nltk.stem import PorterStemmer
def tokenize_remove_stopwords(text: str) -> List[str]:
# lowercase and stem words
text = text.lower()
stemmer = PorterStemmer()
words = list(simple_extract_keywords(text))
return [stemmer.stem(word) for word in words]
如果想使用前面定义的chinese_tokenizer, 只需这样做
from llama_index.retrievers.bm25 import BM25Retriever
from llama_index.core import Document
from llama_index.core.node_parser import SentenceSplitter
from llama_index.core.response.notebook_utils import display_source_node
documents = [Document(text="床前明月光"),
Document(text="疑是地上霜"),
Document(text="举头望明月"),
Document(text="低头思故乡")]
splitter = SentenceSplitter(chunk_size=1024)
nodes = splitter.get_nodes_from_documents(documents)
retriever = BM25Retriever.from_defaults(
nodes=nodes,
similarity_top_k=2,
tokenizer=chinese_tokenizer
)
nodes = retriever.retrieve("故乡")
for node in nodes:
display_source_node(node)
已知问题
昨天介绍了 DuckDBRetriever , 它基于DuckDB fts,于是不可避免地有以下几个缺点,
1. 不支持中文
2. 不能增量更新,只能重建索引BM25Retriever 的缺点是不能持久化,只能全部加载内存中。
有没有既可以持久化,又支持中文分词,并且可以对索引进行增加和删除的呢?
BM25算法
Okapi BM25,一般简称 BM25 算法,在 20 世纪 70 年代到 80 年代,由英国一批信息检索领域的计算机科学家发明。这里的 BM 是 “最佳匹配”(Best Match)的缩写,Okapi 是第一个使用这种方法的信息获取系统的名称。在信息检索领域,BM25 算法是工程实践中举足轻重的重要的 Baseline 算法。迄今为止距 BM25 的提出已经过去三十多年,但是这个算法依然在很多信息检索的任务中表现优异,是很多工程师首选的算法之一。
BM25(Best Match 25)是一种用于信息检索的统计算法,主要用于评估搜索词(query)和文档之间的相关性。它基于概率检索模型,通过计算查询词与文档之间的相关性得分来对文档进行排序。BM25算法的核心思想可以概括为以下几点:
1.查询词权重(IDF):BM25使用逆文档频率(Inverse Document Frequency,IDF)来衡量查询词的重要性。IDF的计算公式为:
IDF公式其中,(N)是文档集合中的文档总数,(n(qi))是包含查询词(qi)的文档数量。IDF值越高,表示查询词在文档集合中越稀有,其权重越大。
2.词频和文档长度的标准化:BM25考虑到词频(TF)与相关性之间的关系是非线性的。为了平衡词频对得分的影响,引入了饱和函数和文档长度因子。标准化后的词频公式为:
TF公式其中,(tf(qi, d))是查询词在文档中的词频,(Ld)是文档长度,(Lavg)是文档集合中所有文档的平均长度,(k1)和(b)是调节参数。
3.查询词频率的加权:如果查询较长,某些词在查询中出现频率较高,BM25还会考虑这些词在查询中的频率,通过引入另一个调节参数(k3)来调整查询词频率对得分的影响。
4.最终得分计算:BM25的最终得分是查询中每个词与文档相关性得分的加权和。公式为:
Score其中,(R(qi, d))是查询词(qi)与文档(d)的相关性得分。
BM25算法因其简单、高效且效果良好,在搜索引擎和信息检索系统中得到了广泛应用。它的参数(k1)、(b)和(k3)可以根据具体应用场景进行调整,以达到最佳的检索效果。