BM25 Là Gì?
BM25 (Best Matching 25) là một thuật toán xếp hạng được các công cụ tìm kiếm sử dụng để đánh giá mức độ liên quan của một tài liệu so với truy vấn tìm kiếm của người dùng. Nó là phiên bản nâng cấp của TF-IDF, được phát triển từ những năm 1980 và đến nay vẫn là tiêu chuẩn vàng trong lĩnh vực truy xuất thông tin (Information Retrieval).
Nói đơn giản hơn: khi bạn gõ một từ khóa vào thanh tìm kiếm, BM25 chính là “trọng tài” quyết định tài liệu nào nên hiện lên trước, tài liệu nào nên xếp sau. Nó xem xét cả tần suất xuất hiện của từ khóa lẫn độ dài tài liệu để đưa ra quyết định công bằng nhất.
Con số “25” trong tên gọi không phải là mã phiên bản. Nó chỉ số lần điều chỉnh tham số trong quá trình phát triển thuật toán tại Đại học London vào năm 1994.
BM25 Hoạt Động Như Thế Nào?
Thuật toán BM25 dựa trên ba yếu tố chính để chấm điểm relevance cho mỗi tài liệu:
Thứ nhất, tần suất thuật ngữ (TF – Term Frequency): Nếu từ khóa xuất hiện nhiều lần trong một tài liệu, tài liệu đó có khả năng liên quan hơn. Nhưng BM25 không tăng điểm theo tuyến tính mà dùng hàm bão hòa, nghĩa là lần xuất hiện thứ 10 không tăng điểm nhiều bằng lần thứ 2.
Thứ hai, nghịch đảo tần suất tài liệu (IDF – Inverse Document Frequency): Từ khóa càng hiếm trong toàn bộ kho tài liệu thì càng có giá trị cao. Từ “và” xuất hiện ở mọi nơi nên không mang nhiều thông tin, trong khi “BM25” chỉ xuất hiện ở vài tài liệu chuyên ngành nên trọng số cao hơn.
Thứ ba, độ dài tài liệu: Một tài liệu ngắn chứa từ khóa sẽ được đánh giá cao hơn một tài liệu dài chứa cùng số lần từ khóa đó. Điều này ngăn các tài liệu “bơm chữ” chiếm ưu thế bất công.
Công Thức BM25 Có Khó Không?
Công thức BM25 trông phức tạp nhưng logic lại rất tự nhiên. Điểm số của một tài liệu D cho truy vấn Q được tính như sau:
BM25(D, Q) = tổng hợp của IDF(qi) × [f(qi,D) × (k1+1)] / [f(qi,D) + k1 × (1 – b + b × |D|/avgdl)]
Trong đó:
- f(qi,D) là số lần từ qi xuất hiện trong tài liệu D
- |D| là độ dài tài liệu D (tổng số từ)
- avgdl là độ dài trung bình của tất cả tài liệu
- k1 và b là hai tham số điều chỉnh, thường đặt k1 = 1.2 và b = 0.75
Tham số k1 kiểm soát mức độ bão hòa của tần suất từ. k1 càng cao thì mỗi lần xuất hiện thêm càng được tính nhiều điểm. Tham số b kiểm soát mức độ ảnh hưởng của độ dài tài liệu, b = 0 là bỏ qua độ dài, b = 1 là ảnh hưởng tối đa.
BM25 Khác Gì So Với TF-IDF?
Nếu bạn đã quen với TF-IDF, bạn sẽ thấy BM25 rất giống nhưng có vài điểm cải tiến quan trọng. TF-IDF tính điểm tuyến tính theo tần suất từ, nghĩa là một tài liệu lặp từ khóa 100 lần sẽ có điểm gấp 10 lần tài liệu lặp 10 lần. Điều này dễ bị lợi dụng.
BM25 khắc phục bằng hàm bão hòa. Sau một số lần xuất hiện nhất định, điểm số gần như không tăng nữa. Điều này phản ánh đúng thực tế: một bài viết nhắc từ khóa 3 lần thì hữu ích, nhưng nhắc 30 lần không nhất thiết tốt gấp 10 lần.
Thêm nữa, TF-IDF không xét đến độ dài tài liệu. Một bài 500 từ và một bài 5000 từ có cùng 5 lần nhắc từ khóa sẽ được TF-IDF đánh giá như nhau. BM25 thì cho bài ngắn điểm cao hơn vì tỷ lệ từ khóa dày đặc hơn.
Ứng Dụng Của BM25 Hiện Nay
Bạn có thể nghĩ BM25 là thuật toán cũ, nhưng nó vẫn được sử dụng cực kỳ phổ biến. Dưới đây là những nơi BM25 đang chạy ngầm mỗi ngày:
Elasticsearch: Công cụ tìm kiếm enterprise phổ biến nhất thế giới dùng BM25 làm thuật toán xếp hạng mặc định. Mỗi khi bạn tìm sản phẩm trên các sàn thương mại điện tử lớn, rất có thể BM25 đang hoạt động bên dưới.
Apache Lucene: Thư viện tìm kiếm nền tảng của Elasticsearch, Solr và nhiều hệ thống khác đều dựa trên BM25. Nó là xương sống của hầu hết giải pháp search on-site.
Apache Solr: Một platform tìm kiếm enterprise khác cũng sử dụng BM25 làm mặc định, được các tập đoàn lớn như Netflix, Instagram dùng để tìm kiếm nội dung.
Hybrid Search trong AI: Ngay cả trong thời đại RAG (Retrieval-Augmented Generation), BM25 vẫn đóng vai trò quan trọng. Nhiều hệ thống AI hiện đại dùng kết hợp BM25 với semantic search vector để đạt kết quả tốt nhất, gọi là hybrid search.
BM25 Có Tác Động Gì Đến SEO?
Nhiều người làm SEO thắc mắc: Google có dùng BM25 không? Câu trả lời là từng dùng, nhưng không còn là thuật toán chính nữa. Google đã áp dụng BM25 trong nhiều năm, nhưng hiện tại đã chuyển sang các mô hình phức tạp hơn kết hợp với machine learning và semantic understanding.
Tuy nhiên, hiểu BM25 vẫn quan trọng với dân SEO vì ba lý do thực tế:
Thứ nhất, các công cụ tìm kiếm on-site (tìm kiếm trong website của bạn) thường dùng Elasticsearch hoặc Solr, tức là dùng BM25. Tối ưu nội dung cho BM25 giúp cải thiện trải nghiệm tìm kiếm nội bộ.
Thứ hai, nguyên lý của BM25 vẫn đúng dù Google có dùng thuật toán gì: nội dung tập trung, mật độ từ khóa tự nhiên, độ dài phù hợp với chủ đề. Đây là những yếu tố không bao giờ lỗi.
Thứ ba, khi xây dựng hệ thống RAG cho chatbot hay AI agent, việc hiểu BM25 giúp bạn thiết kế retrieval pipeline hiệu quả hơn. Kết hợp BM25 với embedding vector đang là best practice trong ngành.
Kết Luận
BM25 là thuật toán xếp hạng đã đứng vững hơn 30 năm, từ các thư viện truyền thống đến hệ thống AI hiện đại. Việc hiểu cách nó hoạt động giúp bạn tối ưu nội dung tốt hơn cho cả công cụ tìm kiếm lẫn ứng dụng AI. Nếu bạn đang làm việc với search, Elasticsearch, hay RAG, BM25 là kiến thức nền tảng không thể bỏ qua.
Mình thấy điều thú vị nhất về BM25 là sự thanh lịch trong thiết kế: nó đơn giản enough để hiểu, đủ mạnh để dùng được ở quy mô enterprise, và đủ linh hoạt để kết hợp với các kỹ thuật AI mới nhất. Đó là dấu hiệu của một thuật toán được thiết kế tốt.
