BM25
O BM25 é uma fórmula de ranqueamento para busca por palavras-chave. Ele pontua cada documento pela frequência com que as palavras da consulta aparecem nele, dando mais peso a palavras raras e menos crédito a documentos longos e termos repetidos.
Também chamado: Okapi BM25, keyword search, lexical search
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
O BM25 é o método padrão de ranqueamento por palavras-chave em mecanismos de busca como Elasticsearch, OpenSearch e Lucene. Ele vem da pesquisa em recuperação de informação do Okapi e continua sendo uma linha de base forte mesmo diante de recuperadores neurais.
Como ele pontua
Para cada palavra da consulta, o BM25 olha três coisas. Frequência do termo: uma palavra que aparece mais em um documento conta mais, mas com retornos decrescentes, então cada menção extra acrescenta menos. Frequência inversa nos documentos: palavras raras como "pgvector" contam muito mais do que palavras comuns como "the". Tamanho do documento: documentos longos são um pouco penalizados, já que contêm mais palavras por acaso. Dois parâmetros, geralmente chamados k1 e b, controlam o primeiro e o terceiro efeitos.
É um método de bag-of-words (saco de palavras): a ordem e o significado das palavras são ignorados.
Por que ele ainda importa para a IA
O BM25 não precisa de modelo, de GPU nem de etapa de embedding, e lida bem com códigos de produto, nomes e mensagens de erro. O benchmark BEIR concluiu que o BM25 é uma linha de base robusta em muitas tarefas de recuperação. É por isso que a maioria das configurações de busca híbrida combina o BM25 com busca vetorial.
Limites
O BM25 não consegue casar sinônimos ou paráfrases: "carro" não encontra "automóvel". Modelos aprendidos de recuperação esparsa, como o SPLADE, mantêm a mesma estrutura de índice, mas acrescentam termos relacionados, o que resolve essa lacuna.
Termos relacionados
- Busca híbrida
- A busca híbrida (hybrid search) faz uma busca por palavras-chave e uma busca vetorial na mesma consulta e mescla as duas listas ordenadas, para que os resultados possam corresponder tanto às palavras exatas quanto ao significado.
- Recuperação esparsa
- A recuperação esparsa (sparse retrieval) representa consultas e documentos como vetores sobre um vocabulário em que a maioria das entradas é zero e cada entrada diferente de zero é o peso de uma palavra, para que a busca use índices invertidos rápidos como na busca por palavra-chave.
- Busca vetorial
- A busca vetorial (vector search) encontra itens comparando seus embeddings com o embedding de uma consulta e devolvendo os mais próximos, para que os resultados correspondam pelo significado e não por palavras-chave em comum.
- Reranking
- Reranking (reordenação) é uma segunda etapa de busca que pega uma lista curta de documentos candidatos e os reordena por relevância para a consulta, usando um modelo mais preciso, porém mais lento, que o da primeira busca.
- Métricas de recuperação (recall@k, nDCG, MRR)
- Métricas de recuperação (retrieval metrics) avaliam quão bem um sistema de busca retorna documentos relevantes. O recall@k verifica quantos itens relevantes aparecem entre os k primeiros, o nDCG recompensa colocá-los no alto e o MRR mede quão cedo aparece o primeiro correto.