Sparse Retrieval (BM25 / TF-IDF): 解释 BM25 的变体与改进（BM25+ / BM25F / 学习式权重）。

Core Concept: BM25+ 修正长文档 TF 饱和下限；BM25F 做多字段加权；学习式权重用 LTR 学各部分权重。

数学机理：<strong>三个改进方向</strong>。(1) <strong>BM25+（Lv & Zhai 2011）</strong>——标准 BM25 的 TF 项 f·(k₁+1)/(f+k₁·norm) 在<strong>文档很长</strong>时（norm 大）会趋于 0——即'长文档中的一个匹配词几乎不被计分'（<strong>过度惩罚</strong>）。BM25+ 在 TF 项<strong>加一个常数 δ</strong>：f·(k₁+1)/(f+k₁·norm)+δ；<strong>效果</strong>——保证'至少有一个匹配词'时有一定的基础分（不被归零）；<strong>意义</strong>——修正了 BM25 对长文档的过度惩罚（与'为什么 b<1'是同一动机的更彻底处理）。(2) <strong>BM25F（Robertson 等 2004）</strong>——处理<strong>多字段</strong>文档：把文档视为多个字段（标题、正文、锚文本、URL、作者等）的集合；对每个字段算'伪 TF'（各字段的 TF 经各自的长度归一化后<strong>加权求和</strong>），再用 BM25 打分：score=Σ_t IDF(t)·TF̃(t,d)（其中 TF̃ 是各字段 TF 的加权组合）。<strong>效果</strong>——'标题命中'权重更高（因为 w_title 大）；且各字段独立归一化（避免'正文长而稀释标题'）。(3) <strong>学习式权重</strong>——(a) <strong>学习 BM25 的参数</strong>（用 LTR 学 k₁、b、字段权重）——比手工调更优；(b) <strong>学习'扩展词权重'</strong>（如 SPLADE 的学习式稀疏）——模型决定'哪些词被激活、权重多少'；(c) <strong>完全学习式</strong>（用神经模型直接输出稀疏权重，见 SPLADE 题）。<strong>其他变体</strong>——(a) <strong>BM25L</strong>（另一种长文档修正：用对数式的 TF）；(b) <strong>BM25-adpt / BM25-tc</strong>（自适应参数）；(c) <strong>DPH / DFR 系</strong>（基于'信息量'的统一框架）；(d) <strong>RM3</strong>（查询扩展 + BM25）；(e) <strong>多字段的加权方式</strong>（线性 vs 饱和组合）。<strong>选择依据</strong>——(a) <strong>单字段、长度均匀</strong> → 标准 BM25；(b) <strong>长文档偏多</strong> → BM25+ 或 BM25L；(c) <strong>多字段</strong> → BM25F；(d) <strong>有训练数据</strong> → 学习式权重；(e) <strong>要语义扩展</strong> → SPLADE。<strong>实证</strong>——(a) BM25F 在多字段场景（如网页检索）显著优于标准 BM25；(b) 学习式稀疏（SPLADE）在多数基准上优于 BM25 系；(c) 但 BM25 系仍是'强基线 + 零训练'的选择。<strong>实践建议</strong>——(a) <strong>起点用 BM25 (k1=1.2, b=0.75)</strong>；(b) <strong>多字段场景换 BM25F</strong>；(c) <strong>长文档用 BM25+/BM25L</strong>；(d) <strong>有数据且有算力用 SPLADE</strong>；(e) <strong>调参用 LTR 或网格搜索</strong>。<strong>度量</strong>——(a) 各变体的 NDCG/MRR 对比；(b) 分长度桶的效果；(c) 索引大小与延迟。

深度剖析与工程权衡：① <strong>'BM25+ 的 δ 修正长文档过度惩罚'</strong>——它与'为什么 b<1'是同一动机（长文档不该被过度惩罚）；面试中能联系两者是深度理解的标志。② <strong>'BM25F 是多字段场景的必需'</strong>——标题/锚文本的命中远比正文重要；这是工业检索的标配。③ <strong>'学习式权重的上限更高但需数据'</strong>——LTR/SPLADE 在有训练数据时更优；但 BM25 系的'零训练 + 强基线'仍不可替代。④ <strong>'BM25L vs BM25+ 的差异'</strong>——前者用对数式 TF 修正、后者加常数；效果相近（都解决长文档问题）。⑤ <strong>'调参的价值'</strong>——k1/b 的网格搜索或 LTR 学习可带来显著提升（成本低）；故应做。⑥ <strong>面试要点</strong>——被问'BM25 有哪些改进'，应给出'<strong>BM25+（长文档修正）+ BM25F（多字段）+ 学习式权重（LTR/SPLADE）</strong>'与'<strong>选择依据（字段数/长度分布/是否有数据）</strong>'；能联系'BM25+ 与 b<1 的同一动机'是深度理解的标志。