链路上的相关性模型

• 召回海选
  • 打分量：数万
  • 模型：文本匹配分数+线性模型或双塔BERT模型
• 粗排
  • 打分量：数千
  • 模型：双塔BERT，或单塔BERT模型（交叉）
• 精排
  • 打分量：数百
  • 模型：单塔BERT模型（交叉）

文本匹配

• 传统的搜索引擎使用几十种人工设计的文本匹配分数，作为线性模型或树模型的特征，模型预测相关性分数
• 词匹配分数（TF-IDF，BM25），词距分数（OkaTP, BM25TP）
• 其他分数：类目匹配，核心词匹配等
• 目前搜索排序普遍放弃文本匹配，改用BERT模型。仅剩文本召回使用文本匹配模型做海选

词匹配分数

• 中文分词：将查询词，文档切分成多个字符串
  
• Q中的词在文档 d 出现的次数越多，则 q 与 d 越可能相关
• TF-IDF 和BM25 都是基于上述想法

Term Frequency（TF）

• 不能同等对待所有的 t，有于词的重要性不同不应该被同等对待
• 如何确定词的权重：语义重要性
  
• 在没有深度学习的情况下确定重要性
  

Document Frequency（DF）

• 越不常出现的越重要，越有判别性
  

Inverse Document Frequency（IDF）

• IDF只取决于文档数据集
  • 对于人工智能论文数据集，”深度学习“的IDF很小，因为它在相当多的人工智能论文中都出现
  • 对于维基百科数据集，”深度学习“的IDF很大
    
    
• 那么可以用idf来作为上面tf的权重
  

Term Frequency——Inverse Document Frequency （TF-IDF）

• 查询词 q 的分词结果记作 Q，它与文档 d 的相关性可以用 TF-IDF 衡量：
  
• TF-IDF有很多变种，例如：不用在意细节，只需要知道有很多不同的定义就行
  

Okapi Best Match 25 （BM25）

• BM25可以看作是 TF-IDF的一种变体
  

词袋模型（bag of words）

• TF-IDF和BM25隐含了词袋模型的假设：只考虑词频，不考虑词的顺序和上下文。对于不同的文本，虽然词频可能一样，但是顺序不一样，意思也就不一样
  
  
• 词袋模型忽略词库和上下文，不利于准确计算相关性
• 前深度学习时代有很多词袋模型
• RNN，BERT，GPT都不是词袋模型，它们会考虑上下文

词距分数

• 一个例子，TF-IDF和BM25的缺陷，引入词距，越近越可能相关
• OkaTP
  
  
  
• 基于文本匹配的传统方法效果远不如深度学习