Implementando busca por palavras-chave com BM25
Configure o BM25 usando rank_bm25 em Python, indexe seu corpus de documentos e execute buscas por palavras-chave que lidem de forma confiável com termos exatos, jargão técnico e nomes de produtos.
Implementando busca por palavras-chave com BM25 é uma aula grátis de AI Engineering Academy no CoddyKit. Esta é a aula 2 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de AI Engineering Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de AI Engineering Academy inclui 4 aulas no total.
Instalando rank_bm25
rank_bm25 é uma biblioteca leve de Python que fornece as variantes BM25Okapi, BM25L e BM25Plus do algoritmo BM25. Ela não exige serviços externos, é executada inteiramente na memória e pode indexar milhares de documentos em segundos em hardware comum. Instale-a com pip install rank-bm25 e você estará pronto para criar uma busca por palavras-chave sem nenhuma configuração de infraestrutura.
# Install: pip install rank-bm25
from rank_bm25 import BM25Okapi
# BM25Okapi is the most common variant
# BM25L and BM25Plus handle very short documents better
# For most RAG use cases BM25Okapi is the right choice
corpus = [
'Python decorator pattern explained with examples',
'How to use context managers in Python',
'JavaScript async await tutorial',
]
tokenized = [doc.lower().split() for doc in corpus]
bm25 = BM25Okapi(tokenized)
print('Index built with', len(corpus), 'documents')Tokenização: a primeira etapa crítica
BM25 opera sobre listas de tokens, não sobre cadeias de caracteres brutas. A qualidade da sua tokenização afeta diretamente a qualidade da recuperação. Uma simples divisão por espaços não remove pontuação, não aplica stemming e não elimina palavras irrelevantes. Em sistemas de produção, use um tokenizador apropriado que converta o texto para minúsculas, remova a pontuação, elimine palavras irrelevantes e, opcionalmente, aplique stemming para associar variantes morfológicas como 'run', 'runs' e 'running'.
import re
from nltk.corpus import stopwords
from nltk.stem import PorterStemmer
STOP_WORDS = set(stopwords.words('english'))
stemmer = PorterStemmer()
def tokenize(text: str) -> list[str]:
text = text.lower()
text = re.sub(r'[^a-z0-9\s]', ' ', text)
tokens = text.split()
tokens = [t for t in tokens if t not in STOP_WORDS and len(t) > 1]
tokens = [stemmer.stem(t) for t in tokens]
return tokens
print(tokenize('Running Python decorators efficiently in production!'))
# ['run', 'python', 'decor', 'effici', 'product']Criando o índice BM25
Criar um índice BM25 é uma operação off-line feita uma única vez. Você passa o corpus tokenizado para BM25Okapi, que calcula as frequências inversas dos documentos para todos os termos e armazena os comprimentos dos documentos para normalização. O índice é leve — alguns megabytes mesmo para dezenas de milhares de documentos. Você deve recriá-lo sempre que novos documentos forem adicionados ao seu corpus.
from rank_bm25 import BM25Okapi
def build_bm25_index(documents: list[str]):
tokenized = [tokenize(doc) for doc in documents]
bm25 = BM25Okapi(tokenized)
return bm25, tokenized
# Example with a small corpus
docs = [
'Vector databases store dense embeddings for similarity search',
'BM25 is a sparse keyword retrieval algorithm used in search engines',
'Hybrid search combines dense and sparse retrieval for better recall',
'PostgreSQL supports vector search via the pgvector extension',
]
bm25, tokenized = build_bm25_index(docs)
print(f'Index contains {bm25.corpus_size} documents')Executando uma busca BM25
Para realizar uma busca, tokeniza a consulta usando o mesmo tokenizador do índice — a tokenização inconsistente é uma fonte comum de resultados de recuperação insatisfatórios. Chame get_scores para obter as pontuações de relevância de todos os documentos ou get_top_n para recuperar diretamente os N melhores resultados. Use sempre o mesmo fluxo de pré-processamento tanto para a indexação quanto para as consultas.
def bm25_search(bm25, documents: list[str], query: str, top_k: int = 3):
query_tokens = tokenize(query)
scores = bm25.get_scores(query_tokens)
# Get indices sorted by score descending
ranked = sorted(enumerate(scores), key=lambda x: x[1], reverse=True)
results = []
for idx, score in ranked[:top_k]:
results.append({
'document': documents[idx],
'score': round(score, 4),
'rank': len(results) + 1,
})
return results
results = bm25_search(bm25, docs, 'sparse keyword search engine')
for r in results:
print(f"Rank {r['rank']} (score {r['score']}): {r['document'][:60]}")Ajustando os hiperparâmetros do BM25
BM25Okapi aceita dois hiperparâmetros: k1 controla a saturação da frequência dos termos (valores maiores permitem que termos de alta frequência obtenham pontuações mais altas) e b controla a normalização do comprimento dos documentos (1.0 = normalização completa, 0.0 = sem normalização). Os valores padrão k1=1.5, b=0.75 funcionam bem para textos em prosa. Para trechos curtos (com menos de 100 palavras), experimente valores menores de b, como 0.3, para reduzir o viés causado pelo comprimento.
from rank_bm25 import BM25Okapi
# Default hyperparameters — good starting point
bm25_default = BM25Okapi(tokenized, k1=1.5, b=0.75)
# Tuned for short document chunks
bm25_short = BM25Okapi(tokenized, k1=1.2, b=0.3)
# Tuned for long documents
bm25_long = BM25Okapi(tokenized, k1=2.0, b=0.9)
# Always benchmark hyperparameters against a golden eval set
# before deploying to productionLidando com jargão técnico e tokens de código
Para bases de código e documentação técnica, seu tokenizador deve preservar tokens técnicos, em vez de aplicar stemming agressivamente. Termos como BM25Okapi, pgvector e LLM devem permanecer intactos. Um tokenizador híbrido que ignore o stemming para tokens que correspondam a padrões como siglas em maiúsculas, identificadores CamelCase ou snake_case produzirá resultados melhores em buscas voltadas para desenvolvedores.
import re
def technical_tokenize(text: str) -> list[str]:
text = text.lower()
# preserve underscores in snake_case and dots in version numbers
text = re.sub(r'[^a-z0-9_.\s]', ' ', text)
tokens = text.split()
# keep tokens that look like identifiers (contain _ or .)
tokens = [
t for t in tokens
if len(t) > 1 and t not in STOP_WORDS
]
return tokens
print(technical_tokenize('Install pgvector 0.5.1 extension in PostgreSQL 16'))
# ['pgvector', '0.5.1', 'extension', 'postgresql', '16']Persistindo o índice BM25
Os índices BM25 devem ser persistidos em disco entre reinicializações da aplicação para evitar o custo de reindexação. Como os objetos de rank_bm25 são objetos Python simples, você pode serializá-los com pickle. Para corpora maiores, salve tanto o índice quanto a lista original de documentos, para que possa recuperar o texto após a pontuação. Nunca armazene dados confidenciais em arquivos pickle, pois eles não são seguros contra entradas não confiáveis.
import pickle
def save_bm25_index(bm25, documents: list[str], path: str):
with open(path, 'wb') as f:
pickle.dump({'bm25': bm25, 'documents': documents}, f)
print(f'Index saved to {path}')
def load_bm25_index(path: str):
with open(path, 'rb') as f:
data = pickle.load(f)
return data['bm25'], data['documents']
save_bm25_index(bm25, docs, '/tmp/bm25_index.pkl')
bm25_loaded, docs_loaded = load_bm25_index('/tmp/bm25_index.pkl')Atualizações incrementais do índice
BM25 não oferece suporte a atualizações incrementais — você precisa recriar todo o índice quando novos documentos chegarem. Para corpora que mudam com frequência, atualizações em lote são a solução prática: reúna novos documentos durante um intervalo de tempo e, em seguida, recrie o índice fora do caminho crítico. Use um padrão de buffer duplo, no qual um índice atende ao tráfego ativo enquanto o outro é recriado; depois, troque-os atomicamente.
import threading
class SwappableBM25Index:
def __init__(self):
self._index = None
self._docs = []
self._lock = threading.RLock()
def rebuild(self, new_docs: list[str]):
tokenized = [tokenize(d) for d in new_docs]
new_index = BM25Okapi(tokenized)
with self._lock:
self._index = new_index
self._docs = new_docs
print(f'Index rebuilt with {len(new_docs)} documents')
def search(self, query: str, top_k: int = 5):
with self._lock:
return bm25_search(self._index, self._docs, query, top_k)Integrando BM25 ao LangChain
LangChain fornece um invólucro BM25Retriever que integra a busca BM25 a uma interface padrão de recuperação. Isso permite usar BM25 como um componente plugável em cadeias LCEL e combiná-lo com recuperadores vetoriais usando EnsembleRetriever. O parâmetro de pesos controla quanta influência BM25, em comparação com o recuperador denso, exerce sobre a classificação final.
from langchain_community.retrievers import BM25Retriever
from langchain.retrievers import EnsembleRetriever
from langchain_core.documents import Document
langchain_docs = [Document(page_content=d) for d in docs]
bm25_retriever = BM25Retriever.from_documents(langchain_docs)
bm25_retriever.k = 5
# Combine with a vector retriever (assuming vector_retriever is already defined)
# ensemble = EnsembleRetriever(
# retrievers=[bm25_retriever, vector_retriever],
# weights=[0.4, 0.6], # 40% BM25, 60% dense
# )
results = bm25_retriever.invoke('sparse keyword search')
for doc in results:
print(doc.page_content[:80])Avaliando a qualidade do BM25
Para medir a qualidade da recuperação com BM25, crie um conjunto de dados de referência com consultas associadas aos documentos relevantes conhecidos. Calcule a taxa de acerto em K (se o documento relevante aparece entre os K melhores resultados) e o MRR (classificação recíproca média). Compare esses números com a recuperação densa no mesmo conjunto de testes para decidir a ponderação ideal no seu sistema híbrido.
def hit_rate_at_k(bm25, documents, queries, relevant_docs, k=5):
hits = 0
for query, relevant in zip(queries, relevant_docs):
results = bm25_search(bm25, documents, query, top_k=k)
retrieved = [r['document'] for r in results]
if relevant in retrieved:
hits += 1
return hits / len(queries)
# Example evaluation
test_queries = ['BM25 algorithm', 'hybrid search systems']
test_relevant = [
'BM25 is a sparse keyword retrieval algorithm used in search engines',
'Hybrid search combines dense and sparse retrieval for better recall',
]
hit_rate = hit_rate_at_k(bm25, docs, test_queries, test_relevant, k=3)
print(f'Hit rate @3: {hit_rate:.2%}')BM25 em produção em grande escala
Para corpora com milhões de documentos, rank_bm25 em Python puro será lento demais. O BM25 em escala de produção está disponível no Elasticsearch e no OpenSearch (ambos usam BM25 como função de pontuação padrão), no Typesense e no modo de vetor esparso do Qdrant. Esses sistemas mantêm índices invertidos em disco, oferecem suporte a atualizações parciais e processam consultas simultâneas sem recriar todo o índice.
Verificação rápida
Teste sua compreensão da implementação da busca por palavras-chave com BM25 apresentada nesta lição.
Recapitulação da lição
Nesta lição, você aprendeu que rank_bm25 fornece um índice BM25 em memória que exige entrada tokenizada; que a tokenização consistente entre a indexação e as consultas é essencial para obter pontuações precisas; e que os hiperparâmetros k1 e b podem ser ajustados à distribuição específica dos comprimentos dos seus documentos. Em produção e em grande escala, use Elasticsearch ou OpenSearch em vez de BM25 em memória. A seguir, implementaremos a fusão de classificações recíprocas para mesclar resultados de BM25 e da recuperação densa.
Aprenda Python com um tutor de IA — grátis
Escreva e execute código real no seu navegador, obtenha ajuda instantânea de um tutor de IA 24/7 e continue de onde parou na web ou no app.
- Cursos
- 30
- Aulas
- 120
Perguntas Frequentes
A aula “Implementando busca por palavras-chave com BM25” é grátis?
Sim — o texto completo de “Implementando busca por palavras-chave com BM25” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de AI Engineering Academy, atualize para CoddyKit PRO. O curso de AI Engineering Academy inclui 4 aulas no total.
O que vou aprender em “Implementando busca por palavras-chave com BM25”?
Configure o BM25 usando rank_bm25 em Python, indexe seu corpus de documentos e execute buscas por palavras-chave que lidem de forma confiável com termos exatos, jargão técnico e nomes de produtos. Você pratica AI Engineering Academy com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar AI Engineering Academy?
Nenhuma experiência prévia é necessária. AI Engineering Academy no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 2 de 4.
Quanto tempo leva a aula “Implementando busca por palavras-chave com BM25”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de AI Engineering Academy?
Sim. Cada aula de AI Engineering Academy inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Recuperação densa versus esparsa: compromissos
- Implementando busca por palavras-chave com BM25
- Fusão recíproca de posições para combinar pontuações
- Busca híbrida no Pinecone e no pgvector