当前位置：首页 > java >正文

BM25 vs TF-IDF：经典文本检索方法的对比

java 2025/8/21 6:30:32

在文本搜索和信息检索领域，TF-IDF 和 BM25 是两种最常见、最经典的检索算法。它们都基于“词项频率（Term Frequency）”与“逆文档频率（Inverse Document Frequency）”的思想，但在实现细节和效果上却有明显差异。本文将从原理、问题、改进和应用等角度，带你深入理解 TF-IDF 与 BM25 的区别。

1. TF-IDF 回顾

TF-IDF 的全称是 Term Frequency - Inverse Document Frequency。它的核心思想是：

如果一个词在某个文档中出现得越多（高 TF），那么它越能代表这个文档的内容。
如果一个词在整个语料库中出现得越少（高 IDF），那么它对区分文档的作用越大。

缺点：

TF 是线性增长的，高频词可能会不合理地“拉高”分数。
长文档天然包含更多词，因此容易获得更高的总分（对短文档不公平）。
缺乏可调节参数，无法根据场景灵活优化。

2. BM25 的改进

BM25（Best Matching 25）是对 TF-IDF 的工程化优化，是 Okapi 检索模型家族的一部分。它在 TF 和文档长度的处理上引入了“非线性饱和”和“长度归一化”。

改进点：

TF 饱和：词频越高，贡献的分数逐渐趋于平缓，而不是无限增加。
长度归一化：长文档的得分会被抑制，避免它们天然占优。
参数可调节：通过调整 kk 和 bb，可以针对不同语料优化效果。

3. 对比示例

假设有两个文档：

Doc1: "the cat sat on the mat"
Doc2: "the cat sat on the mat mat mat mat"

查询词：cat mat

TF-IDF：会认为 Doc2 更相关，因为“mat”重复多次，分数更高。
BM25：会认为 Doc1 更相关，因为 Doc2 过长且“mat”重复过度，分数饱和后影响有限。

现实搜索中，BM25 的结果更符合人类直觉。

4. 应用现状

TF-IDF：
- 经典、简单，常用于文本向量化（如机器学习特征输入）。
- 在一些轻量级搜索系统中依旧适用。
BM25：
- 被广泛应用于现代搜索引擎（如 Lucene、Elasticsearch、Vespa、Whoosh）。
- 默认替代 TF-IDF，作为文本检索的标准方法。

5. Python 示例对比

from sklearn.feature_extraction.text import TfidfVectorizer
import numpy as np
from rank_bm25 import BM25Okapi# 示例文档
corpus = ["the cat sat on the mat","the cat sat on the mat mat mat mat","the dog chased the cat","cats and dogs are friends"
]# 查询
query = "cat mat".split()# ------------------------
# 1. TF-IDF
# ------------------------
vectorizer = TfidfVectorizer()
tfidf_matrix = vectorizer.fit_transform(corpus)# 将查询向量化
query_vec = vectorizer.transform(["cat mat"])# 计算余弦相似度
cosine_sim = (tfidf_matrix @ query_vec.T).toarray().flatten()print("🔹 TF-IDF 排序结果:")
for idx in np.argsort(-cosine_sim):print(f"Doc {idx}: {corpus[idx]} -> Score {cosine_sim[idx]:.4f}")# ------------------------
# 2. BM25
# ------------------------
tokenized_corpus = [doc.split(" ") for doc in corpus]
bm25 = BM25Okapi(tokenized_corpus, k1=1.2, b=0)bm25_scores = bm25.get_scores(query)print("\n🔹 BM25 排序结果:")
for idx in np.argsort(-bm25_scores):print(f"Doc {idx}: {corpus[idx]} -> Score {bm25_scores[idx]:.4f}")

说明

TF-IDF
- 对于 "the cat sat on the mat mat mat mat" 这种长文档，因为 "mat" 出现很多次，分数会非常高。
BM25
- 有 TF 饱和 和 文档长度归一化，所以即使 "mat" 出现很多次，分数也不会无限增大。
- 长文档不会天然占便宜，短文档的得分会更合理。

运行结果（可能略有不同，但趋势一致）：

🔹 TF-IDF 排序结果:
Doc 1: the cat sat on the mat mat mat mat -> Score 0.7844
Doc 0: the cat sat on the mat -> Score 0.5135
Doc 2: the dog chased the cat -> Score 0.1999
Doc 3: cats and dogs are friends -> Score 0.0000🔹 BM25 排序结果:
Doc 0: the cat sat on the mat -> Score 0.0883
Doc 1: the cat sat on the mat mat mat mat -> Score 0.0883
Doc 2: the dog chased the cat -> Score 0.0883
Doc 3: cats and dogs are friends -> Score 0.0000

你可以看到：