Skip to main content
Open In Colab在 GitHub 上打开

BM25 系列

BM25（维基百科）也被称为Okapi BM25是信息检索系统中使用的排名函数，用于估计文档与给定搜索查询的相关性。

BM25Retrieverretriever 使用rank_bm25包。

%pip install --upgrade --quiet  rank_bm25
from langchain_community.retrievers import BM25Retriever
API 参考：BM25Retriever

使用文本创建新的检索器

retriever = BM25Retriever.from_texts(["foo", "bar", "world", "hello", "foo bar"])

使用文档创建新检索器

您现在可以使用您创建的文档创建新的检索器。

from langchain_core.documents import Document

retriever = BM25Retriever.from_documents(
    [
        Document(page_content="foo"),
        Document(page_content="bar"),
        Document(page_content="world"),
        Document(page_content="hello"),
        Document(page_content="foo bar"),
    ]
)
API 参考：文档

使用 Retriever

我们现在可以使用检索器了！

result = retriever.invoke("foo")
result
[Document(metadata={}, page_content='foo'),
 Document(metadata={}, page_content='foo bar'),
 Document(metadata={}, page_content='hello'),
 Document(metadata={}, page_content='world')]

预处理功能

将自定义预处理函数传递给检索器以改善搜索结果。在单词级别对文本进行分词可以增强检索，尤其是在将 Chroma、Pinecone 或 Faiss 等向量存储用于分块文档时。

import nltk

nltk.download("punkt_tab")
from nltk.tokenize import word_tokenize

retriever = BM25Retriever.from_documents(
    [
        Document(page_content="foo"),
        Document(page_content="bar"),
        Document(page_content="world"),
        Document(page_content="hello"),
        Document(page_content="foo bar"),
    ],
    k=2,
    preprocess_func=word_tokenize,
)

result = retriever.invoke("bar")
result
[Document(metadata={}, page_content='bar'),
 Document(metadata={}, page_content='foo bar')]