BM25Retriever 支持中文嗎？

發(fā)布于 2024-6-6 11:27

瀏覽

0收藏

llama_index 的BM25Retriever 基于Rank-BM25[1]的Okapi BM25。

Rank-BM25，兩行代碼實(shí)現(xiàn)搜索引擎

Rank-BM25? 提供了多種BM25算法，如Okapi BM25?， BM25L?， BM25+等。它的使用也非常簡單

安裝

pip install rank_bm25

初始化

以O(shè)kapi BM25為例

from rank_bm25 import BM25Okapi

corpus = [
    "Hello there good man!",
    "It is quite windy in London",
    "How is the weather today?"
]
# 分詞使用空格
tokenized_corpus = [doc.split(" ") for doc in corpus]

bm25 = BM25Okapi(tokenized_corpus)

查詢(文檔排名)

query = "windy London"
tokenized_query = query.split(" ")

doc_scores = bm25.get_scores(tokenized_query)
# array([0.        , 0.93729472, 0.        ])

??：Rank-BM25 不做任何文本預(yù)處理。如果想要做諸如轉(zhuǎn)換為小寫、停用詞移除、詞干提取等操作，需要自己實(shí)現(xiàn)。所以如果要進(jìn)行處理中文，就需要用到專業(yè)的中文分詞器了。

中文分詞器

分詞器是自然語言處理（NLP）中非常重要的工具，它們將連續(xù)的文本字符串分割成有意義的單元，通常是單詞或短語。中文分詞器的實(shí)現(xiàn)很多，如 jieba，SnowNLP，THULAC?， HanLP? 等，可以根據(jù)需要選擇，這里就以 jieba 為例。

安裝

pip install nltk jieba

下載停用詞

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",
    "舉頭望明月",
    "低頭思故鄉(xiāng)",
]
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?，可以指定分詞方法，如果不指定，則使用默認(rèn)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]

如果想使用前面定義的chinese_tokenizer，只需這樣做

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="舉頭望明月"),
             Document(text="低頭思故鄉(xiāng)")]

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("故鄉(xiāng)")
for node in nodes:
    display_source_node(node)

BM25Retriever 支持中文嗎？-AI.x社區(qū)

已知問題

昨天介紹了 DuckDBRetriever ，它基于DuckDB fts，于是不可避免地有以下幾個(gè)缺點(diǎn)，

1. 不支持中文

2. 不能增量更新，只能重建索引BM25Retriever 的缺點(diǎn)是不能持久化，只能全部加載內(nèi)存中。

有沒有既可以持久化，又支持中文分詞，并且可以對索引進(jìn)行增加和刪除的呢？

BM25Retriever 支持中文嗎？-AI.x社區(qū)

BM25算法

Okapi BM25，一般簡稱 BM25 算法，在 20 世紀(jì) 70 年代到 80 年代，由英國一批信息檢索領(lǐng)域的計(jì)算機(jī)科學(xué)家發(fā)明。這里的 BM 是 “最佳匹配”（Best Match）的縮寫，Okapi 是第一個(gè)使用這種方法的信息獲取系統(tǒng)的名稱。在信息檢索領(lǐng)域，BM25 算法是工程實(shí)踐中舉足輕重的重要的 Baseline 算法。迄今為止距 BM25 的提出已經(jīng)過去三十多年，但是這個(gè)算法依然在很多信息檢索的任務(wù)中表現(xiàn)優(yōu)異，是很多工程師首選的算法之一。

BM25（Best Match 25）是一種用于信息檢索的統(tǒng)計(jì)算法，主要用于評估搜索詞（query）和文檔之間的相關(guān)性。它基于概率檢索模型，通過計(jì)算查詢詞與文檔之間的相關(guān)性得分來對文檔進(jìn)行排序。BM25算法的核心思想可以概括為以下幾點(diǎn)：

1.查詢詞權(quán)重（IDF）：BM25使用逆文檔頻率（Inverse Document Frequency，IDF）來衡量查詢詞的重要性。IDF的計(jì)算公式為： BM25Retriever 支持中文嗎？-AI.x社區(qū)