BM25Retriever 支持中文吗？

alitrack2024年06月06日约 5 分钟

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 BM25Okapicorpus =[
"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 importListdefchinese_tokenizer(text:str)->List[str]:
    tokens = jieba.lcut(text)
return[token for token in tokens if token notin 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 importPorterStemmerdeftokenize_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 importDocument
from llama_index.core.node_parser importSentenceSplitter
from llama_index.core.response.notebook_utils import display_source_nodedocuments =[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(q_i))是包含查询词(q_i)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(q_i, d))是查询词在文档中的词频，(L_d)是文档长度，(L_avg)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(q_i, d))是查询词(q_i)与文档(d)的相关性得分。