懂AI
rank_bm25

rank_bm25

Python实现的BM25文本检索算法库

Rank-BM25是一个开源的Python文本检索库，实现了多种BM25算法变体，如Okapi BM25、BM25L和BM25+。该项目提供简洁的API，支持文档索引、评分和排序。用户可自行处理文本预处理，灵活应用于各类检索任务。Rank-BM25适合构建小型搜索引擎或用于信息检索研究，具有易用性和可扩展性。

BM25搜索引擎文档排序相关性算法文本处理Github开源项目
访问官网GitHub论文文档

Rank-BM25：两行代码实现的搜索引擎

构建状态 PyPI 版本 PyPI - 下载量 DOI PyPI - 许可证

这是一个算法集合，用于查询一组文档并返回与查询最相关的文档。这些算法最常见的用途是，正如你可能已经猜到的，创建搜索引擎。

目前已实现的算法包括：

  • Okapi BM25
  • BM25L
  • BM25+
  • BM25-Adpt
  • BM25T

这些算法来自这篇论文，该论文对每种方法进行了很好的概述，并对它们进行了相互比较。一个很好的内容是他们比较了不同类型的预处理，如词干提取与否、停用词去除与否等。如果你是这个领域的新手，这是一篇值得一读的好文章。

安装

安装这个包最简单的方法是通过pip，使用以下命令：

pip install rank_bm25

如果你想确保获得最新版本，你可以直接从github安装：

pip install git+ssh://git@github.com/dorianbrown/rank_bm25.git

使用方法

在这个例子中，我们将使用BM25Okapi算法，但其他算法的使用方式基本相同。

初始化

首先要做的是创建一个BM25类的实例，它会读入一个文本语料库并对其进行索引：

from rank_bm25 import BM25Okapi

corpus = [
    "Hello there good man!",
    "It is quite windy in London",
    "How is the weather today?"
]

tokenized_corpus = [doc.split(" ") for doc in corpus]

bm25 = BM25Okapi(tokenized_corpus)
# <rank_bm25.BM25Okapi at 0x1047881d0>

注意，这个包不会进行任何文本预处理。如果你想进行小写转换、停用词去除、词干提取等操作，你需要自己完成。

唯一的要求是该类接收一个字符串列表的列表，这些是文档的标记。

文档排序

现在我们已经创建了文档索引，我们可以给它查询并看看哪些文档最相关：

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

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

值得注意的是，我们还需要对查询进行标记化，并应用与文档相同的预处理步骤，以进行公平的比较。

除了获取文档得分，你还可以直接检索最佳文档：

bm25.get_top_n(tokenized_query, corpus, n=1)
# ['It is quite windy in London']

就是这么简单！

编辑推荐精选

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

CSM

CSM

高质量语音生成模型

CSM 是一个开源的语音生成项目，它提供了一个基于 Llama-3.2-1B 和 CSM-1B 的语音生成模型。该项目支持多语言，可生成多种声音，适用于研究和教育场景。通过使用 CSM，用户可以方便地进行语音合成，同时项目还提供了水印功能，确保生成音频的可追溯性和透明度。

agents-course

agents-course

Hugging Face 的 AI 智能体课程，涵盖多种智能体框架及相关知识

本项目是 Hugging Face 推出的 AI 智能体课程，深入介绍了 AI 智能体的相关概念，如大语言模型、工具使用等。课程包含多个单元，详细讲解了不同的智能体框架，如 smolagents 和 LlamaIndex，提供了丰富的学习资源和实践案例。适合对 AI 智能体感兴趣的开发者和学习者，有助于提升他们在该领域的知识和技能。

RagaAI-Catalyst

RagaAI-Catalyst

用于 AI 项目管理和 API 交互的工具集，助力 AI 项目高效开发与管理。

RagaAI-Catalyst 是一款专注于 AI 领域的强大工具集，为开发者提供了便捷的项目管理、API 交互、令牌管理等功能。支持多 API 密钥上传，能快速创建、列出和管理 AI 项目，还可获取项目用例和指标信息。适用于各类 AI 开发场景，提升开发效率，推动 AI 项目顺利开展。

smolagents

smolagents

一个包含多种工具和文档处理功能，适用于 LLM 使用的项目。

smolagents 是一个功能丰富的项目，提供了如文件格式转换、网页内容读取、语义搜索等多种工具，支持将常见文件类型或网页转换为 Markdown，方便进行文档处理和信息提取，能满足不同场景下的需求，提升工作效率和数据处理能力。

下拉加载更多