深夜的刑警队办公室，老陈把手里仅有的一张纸条拍在桌上。纸条上歪歪扭扭地写着两个字：“桥头”。这是一起流窜盗窃案唯一的线索。徒弟小周拿着纸条跑了一圈，带回了十个“在桥头出现过的人”——但其中只有两三个真正与案件有关。老陈没有气馁，反而眼睛一亮：既然第一轮排查能带回候选人，那我为什么不从这几个“最可疑”的人身上再挖点线索？他盯着名单里最像的三个，从他们的衣着、鞋底泥土、口音习惯里继续找信息，然后带着新线索回到街上，展开了更大范围的排查。这，就是“伪相关反馈”的核心心智模型：先用手中仅有的线索跑一次检索，假装返回的前几个结果都是“相关”的，再从中学习新词、改写查询、重新检索。整个过程无需用户多动一下手指，机器自己就能把模糊的查询“越扩越准”。

岗位关联

掌握 PRF，能让你在用户不愿多打字、查询词极其匮乏的真实场景下，用系统自动追问大幅提升检索召回率；它也是理解 RM3、KL 散度等现代检索扩展技术的必修基石。

目录
  1. 可视化演示
  2. 1. 问题与直觉：检索的困境
  3. 2. 核心流程：先抓一批“嫌疑人”
  4. 3. 词项加权：判断线索的价值
  5. 4. 查询扩展：组装新的抓捕令
  6. 5. 风险与漂移：被“假线索”带偏
  7. 6. 实现方案：RM3与KL散度扩展
  8. 7. 工程实践：从理论到破案系统
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T

1. 问题与直觉：检索的困境

老陈第一次排查靠的是“桥头”两个字。可那天傍晚在桥头附近出现的人少说也有上百，而他要找的罪犯很可能用的是“渡口”“河边”这种同义词。只按字面去找，真正相关的人压根没进前十。徒弟小周不服气：“我能挨个问啊！”老陈摇头：全城几十万人，你问得过来吗？搜索引擎面临同样的处境——用户只肯打三五个词，文档库却有千万篇，一次机械的词匹配，就像拿着两个字满城乱问。

所以传统检索模型的全部功夫，就花在“怎么给文档打分排名”上。一个朴素的打分函数是 TF-IDF：先看查询词在文档里出现多少次（词频），再看这个词在全库里是不是稀罕货（逆文档频率）。稀罕的词对不上号，烂大街的词又没有区分度，两者相乘，就得到了文档与查询的“表面相似度”。

但表面相似度有个致命弱点：只能命中查询词的字面替身。查询说“苹果”，文档聊“乔布斯和 iPhone”，一个字都对不上，相关文档就被排在十名开外。这类单轮检索的召回瓶颈，正是 PRF 想解决的。

老陈看着徒弟打回来的分数单想：分数只能说明“字面上像不像”，说明不了“真的相关”。要抓住真凶，得换个思路——先按这单子抓一批人，再从人身上找线索。这正是伪相关反馈的起点。

score(q,d)=∑t∈qtf(t,d)×idf(t)\mathrm{score}(q, d) = \sum_{t \in q} \mathrm{tf}(t, d) \times \mathrm{idf}(t)
这个公式就是老侦探的第一张排查令：把每条线索的价值加总，给每个候选人打分。打分只能说明“字面像不像”，说明不了“真不真相关”。
  1. q（查询词集合）老陈手里仅有的线索清单——“桥头”。
    q={桥头}q = \{ \text{桥头} \}
  2. tf(t, d)（词频）某个线索在街坊嘴里重复了几遍。一个词在文档里重复越多，说明它与这篇文档关系越紧密。
    tf(t,d)=词 t 在文档 d 中的出现次数\mathrm{tf}(t, d) = \text{词 } t \text{ 在文档 } d \text{ 中的出现次数}
  3. idf(t)（逆文档频率）线索越稀缺，价值越高。满世界都在说的“东西”几乎不提供任何信息。
    idf(t)=log⁡Ndf(t)\mathrm{idf}(t) = \log \frac{N}{\mathrm{df}(t)}
  4. 逐词求和把每条线索的价值加总，得到这篇文档与查询的整体匹配度。
    ∑t∈qtf(t,d)×idf(t)\sum_{t \in q} \mathrm{tf}(t, d) \times \mathrm{idf}(t)

2. 核心流程：先抓一批“嫌疑人”

老陈把“桥头”交给线人，线人回报了十个人的名字。老陈赌了一把：这十个人里就算只有两个沾边，也已经比“满城乱找”强得多。他圈出最像的三个，开始翻他们的通讯录、查聊天记录、嗅鞋底——每一处细节，都可能是下一轮排查的新线索。关键在于，整个过程不需要回头问报案人“你觉得谁可疑”，系统自己就能从 Top-K 结果里挖信息。

PRF 的“PR“是 Pseudo Relevance（伪相关），”F“是 Feedback（反馈）。所谓”伪”，是说系统假装排名前 K 的文档就是相关文档——这个假设未必成立，但大多数时候够用。整个过程分三步：先用原始查询 q₀ 跑一遍倒排索引，拿到 Top-K 文档；再从这 K 篇文档里统计高频词，挑出候选扩展词；最后把扩展词并回查询，组成新查询做第二轮检索。

第二步的“挑词”不是随便挑。每个候选词都要计算它在这 K 篇文档里的出现强度，淘汰那些只出现一两次的词。第三步等价于把查询从“约在桥头”扩展成“约在桥头河边夜市口音外地人”——字变多了，能匹配的文档也自然变多了。

老陈把这套流程画在黑板中央：“记住，关键假设只有一个——Top-K 里只要有几篇真相关，新线索就有价值；如果全抓错了，后面全白搭。” 这正是 PRF 既惊艳又危险的根源。

F={d∈D:rankq0(d)≤K},Q′=Q0∪EF = \{ d \in D : \mathrm{rank}_{q_0}(d) \le K \}, \qquad Q' = Q_0 \cup E
前一个集合是“伪相关的嫌疑人名单”，后一个是“合并了新线索的抓捕令”。PRF 的全部秘密，就藏在这两个集合的先后关系里。
  1. D（全量文档库）全城所有人的名单，也就是搜索引擎里千万篇文档的集合。
    D={d1,d2,…,dN}D = \{ d_1, d_2, \dots, d_N \}
  2. rank_{q₀}(d)（按原始查询的排名）每份名单与“桥头”的字面匹配排名。排得越靠前，嫌疑越大。
    rankq0(d)=按 q0 打分后的名次\mathrm{rank}_{q_0}(d) = \text{按 } q_0 \text{ 打分后的名次}
  3. F（Top-K 集合）排名不超过 K 的那部分文档，是系统假设“相关”的嫌疑人名单。
    F={d:rankq0(d)≤K}F = \{ d : \mathrm{rank}_{q_0}(d) \le K \}
  4. E（扩展词集合）从 F 的词频统计中筛出的新词，是老陈从嫌疑人身上挖出的新线索。
    E={w:score(w,F)≥τ}E = \{ w : \mathrm{score}(w, F) \ge \tau \}
  5. Q'（新查询）原查询与新线索的并集，构成第二轮检索的“全新排查令”。
    Q′=Q0∪EQ' = Q_0 \cup E

3. 词项加权：判断线索的价值

嫌疑人 A 说“我在河边待过”，嫌疑人 B 说“东西挺多”。老陈记下线索后要称重：“河边”可能直指作案地点，价值极高；“东西”是全城人民张口就来的词，几乎不值钱。权重，就是侦探给每条线索标的可信度。

在 PRF 里，扩展词的权重来自“这批文档中的词频分布”。一个词在 K 篇文档里反复出现，说明它是这批文档的“标签词”；但它越是全库都常见的通用词，区分度就越低。于是，统计词频之后，还要看它对全库的稀有程度。

常用的候选词打分是把词频和逆文档频率相乘。更形式化的做法是估计该词在 F 集合中的最大似然概率：分子是该词在 F 所有文档中出现的总次数，分母是 F 中所有词的次数总和。这样就得到一个“文档集合上的词分布模型”，也就是嫌疑人群体口供的“词频画像”。

老陈把称重结果排在桌上，划掉了“东西”“那个”等虚词，留下的全是“河边、泥脚印、夜班车站”。他知道，只有高区分度的线索，才能让第二份排查令变得锋利。

P^(w∣F)=∑d∈Ftf(w,d)∑d∈F∑ttf(t,d)\hat{P}(w|F) = \frac{\sum_{d \in F} \mathrm{tf}(w, d)}{\sum_{d \in F} \sum_{t} \mathrm{tf}(t, d)}
这个比值衡量的是“词 w 在嫌疑人名单里的浓度”。浓度越高，越可能是这批人独有的黑话；浓度太低，就不配写进抓捕令。
  1. 分子（词 w 在 F 中的总出现次数）新线索在嫌疑人群体里被提及的总次数。
    ∑d∈Ftf(w,d)\sum_{d \in F} \mathrm{tf}(w, d)
  2. 分母（F 中所有词的总量）嫌疑人群体聊天记录的总字数，用来归一化，消除文档长短差异。
    ∑d∈F∑ttf(t,d)\sum_{d \in F} \sum_{t} \mathrm{tf}(t, d)
  3. 比值（最大似然概率）词 w 在这锅汤里的浓度，浓度越高越可能是特征词。
    P^(w∣F)∈[0,1]\hat{P}(w|F) \in [0, 1]

4. 查询扩展：组装新的抓捕令

新线索备齐后，老陈拿出最初的纸条。“桥头”是唯一经过报案的权威线索，不能丢；但“河边”“夜班车”这些新词，也得让它们占一席之地。他给老线索和新线索分别标好权重，拼成一张全新的抓捕令。

查询扩展在实现上就是给“查询词表”重新加权。原查询词虽然少，但语义最可信；扩展词来自 Top-K 文档，能带来同义表达和上下文词，但可能混入噪音。一个稳健的方案是线性插值混合模型。

设原始查询里的词按指示函数取值，扩展词按上一节算出的经验概率取值，再用 λ 控制两边的权重。λ 越接近 1，系统越保守，只相信原始查询；λ 越小，越依赖新线索。工程上，λ 通常取 0.5~0.8 之间——既保留原意，又大胆吸收新表达。

新抓捕令贴满全城：“桥头、河边、外地口音、夜班车站”。老陈的二次排查范围比第一轮大了好几倍，那些原本用同义词藏起来的嫌疑人，终于浮出水面。

P(w∣Q′)=λ δQ0(w)+(1−λ) P^(w∣F)P(w|Q') = \lambda \, \delta_{Q_0}(w) + (1 - \lambda) \, \hat{P}(w|F)
这是“老线索 + 新线索”的配比公式。λ 就像老侦探的“信任档位”：信多少手头的纸条，信多少嫌疑人的供词，由这一个旋钮控制。
  1. δ_{Q₀}(w)（原始词指示函数）w 是不是原始查询里的词，是则为 1，否则为 0。
    δQ0(w)={1w∈Q00w∉Q0\delta_{Q_0}(w) = \begin{cases} 1 & w \in Q_0 \\ 0 & w \notin Q_0 \end{cases}
  2. P̂(w|F)（扩展词经验概率）上一节算出的候选词在 Top-K 文档中的浓度。
    P^(w∣F)=∑d∈Ftf(w,d)∑d∈F∑ttf(t,d)\hat{P}(w|F) = \frac{\sum_{d\in F} \mathrm{tf}(w,d)}{\sum_{d\in F}\sum_t \mathrm{tf}(t,d)}
  3. λ（混合系数）信多少老线索，这是整个模型里最敏感的手感参数。
    λ∈[0,1]\lambda \in [0, 1]
  4. 加权求和把“老线索是否出现”和“新线索的出现强度”合成一个综合权重。
    P(w∣Q′)=λ×δQ0(w)+(1−λ)×P^(w∣F)P(w|Q') = \lambda \times \delta_{Q_0}(w) + (1-\lambda) \times \hat{P}(w|F)

5. 风险与漂移：被“假线索”带偏

不是每次赌注都能赢。如果 Top-K 抓回来的三人全是被冤枉的路人，他们嘴里挖出的“河边”“夜班车”就全是巧合。老陈拿着错误的线索满城转悠，案件方向被彻底带偏。这就是 PRF 世界里最凶狠的敌人——查询漂移。

查询漂移的本质：扩展词来自“被假设为相关”的文档，如果这些文档里混入噪音，高频词就会把新查询往无关方向拉扯。更糟的是，扩展会放大初始错误——第一轮的偏差在第二轮被几何级放大，结果可能比不扩展还差。

缓解手段主要有三：限制 Top-K 的 K 值（通常 10~30）；限制扩展词数量（通常 10~50）；引入 KL 散度等信息论判据，只保留“在 F 中显著高于全库背景”的词，过滤掉泛化词。三者合力，才能把漂移的缰绳勒住。

老陈在黑板角落记下一行忠告：“线索必须经过与全城常识的比较才可信，人人都在说的词，永远不该出现在抓捕令上。”

DKL(PF∥PC)=∑wP(w∣F)log⁡P(w∣F)P(w∣C)D_{KL}(P_F \| P_C) = \sum_{w} P(w|F) \log \frac{P(w|F)}{P(w|C)}
KL 散度是一把“识别假线索”的尺子：凡是全城人都在说的词，和嫌疑人名单里的浓度差不多，就会被这把尺子量出来并淘汰掉。
  1. P(w|F)（文档集合中的浓度）词 w 在嫌疑人名单里的出现概率。
    P(w∣F)=P^(w∣F)P(w|F) = \hat{P}(w|F)
  2. P(w|C)（全库背景浓度）词 w 在全城人口里“人人都在说”的普遍程度。
    P(w∣C)=∑d∈Ctf(w,d)∑d∈C∑ttf(t,d)P(w|C) = \frac{\sum_{d\in C}\mathrm{tf}(w,d)}{\sum_{d\in C}\sum_t \mathrm{tf}(t,d)}
  3. log 比值（偏离程度）如果这个数接近 0，说明 w 在全库和名单里一样普通，没有特征价值。
    log⁡P(w∣F)P(w∣C)\log \frac{P(w|F)}{P(w|C)}
  4. 加权求和（总偏离度）把所有词的偏离度累加，值越大，说明这份“嫌疑人名单”确实有独特话题。
    ∑wP(w∣F)log⁡P(w∣F)P(w∣C)\sum_{w} P(w|F) \log \frac{P(w|F)}{P(w|C)}

6. 实现方案：RM3与KL散度扩展

老陈有两本办案手册。第一本叫 RM3，风格稳健：不轻易相信任何一根新线索，把原案卷和嫌疑人供词按固定比例掺在一起看。第二本叫 KL 散度扩展，风格激进：每条线索都要和全城背景做对比，只有那些“全城没人提、唯独嫌疑人圈子里反复出现”的怪词，才配写进新抓捕令。

RM3 是语言模型框架下最经典的 PRF 实现，它把第 4 节的混合模型落到了具体运算上：用平滑后的文档语言模型估计 P_ML(w|θ_d)，再以文档在初始检索中的概率加权求和，得到集合模型；最后与原始查询模型做插值。它实现简单、数值稳定，是工程中的默认武器。

KL 散度扩展则走另一条路：它对每个候选词计算集合模型与全库背景模型的 KL 差异，只保留差异大的特征词。工程上两者常常结合使用——先 KL 筛词，再 RM3 混合，鲁棒性最好。

老陈合上两本手册：“激进派和保守派吵了很多年，但真破案时，先用 KL 识破假线索、再用 RM3 稳步推进，是我交班前能传给你的最好经验。”

PRM3(w)=(1−λ) PML(w∣Q0)+λ∑d∈FPML(w∣θd) P(d∣Q0)P_{\mathrm{RM3}}(w) = (1-\lambda)\,P_{\mathrm{ML}}(w|Q_0) + \lambda \sum_{d \in F} P_{\mathrm{ML}}(w|\theta_d)\,P(d|Q_0)
RM3 公式是一份“两份供词按比例混合”的操作手册：一份来自原查询，一份来自 Top-K 文档集合，λ 决定信任哪边多一点。
  1. P_ML(w|Q₀)（原查询词模型）老案卷里本来就有的话，它的权重由 1-λ 守着。
    PML(w∣Q0)P_{\mathrm{ML}}(w|Q_0)
  2. P_ML(w|θ_d)（单篇文档词模型）嫌疑人 d 个人的“供词分布”，用平滑手段避免出现 0 概率。
    PML(w∣θd)=tf(w,d)+μP(w∣C)∣d∣+μP_{\mathrm{ML}}(w|\theta_d) = \frac{\mathrm{tf}(w,d) + \mu P(w|C)}{|d| + \mu}
  3. P(d|Q₀)（文档对查询的权重）嫌疑人在第一轮排查中排名越靠前，他的供词参考价值越高。
    P(d∣Q0)=score(q0,d)∑d′∈Fscore(q0,d′)P(d|Q_0) = \frac{\mathrm{score}(q_0, d)}{\sum_{d' \in F}\mathrm{score}(q_0, d')}
  4. λ 整体插值手册的“信任档位”，决定多少比例听老案卷、多少比例听新供词。
    λ∈(0,1)\lambda \in (0, 1)

7. 工程实践：从理论到破案系统

把这一套方法论写进系统前，老陈把徒弟们叫到一起：“你们不能光说破案率提高了，得拿出数来。” 工程化的第一课，是找到一把好尺子。

信息检索里最常用的尺子是 MAP（平均精度均值）和 NDCG（归一化折损累计增益）。MAP 关心“相关文档整体排得靠不靠前”；NDCG 关心“越相关的文档是不是排得越靠前”。PRF 效果好不好，要在标准测试集上跑这两把尺子，而不是靠感觉拍板。

调参经验也已相当成熟：Top-K 取 10~30，扩展词数 10~50，λ 取 0.5~0.8。查询极短、数据稀疏时 PRF 收益最明显；查询本身已经很详细时，收益会明显递减。部署时还要注意：索引更新频繁的场景，扩展词要加缓存，防止二次检索耗时翻倍。

老陈在会议室白板上写下最后一行字：“方法不怕旧，怕的是你不知道它什么时候会失效。” 伪相关反馈的理论到今天已走过二十多年，但它面对模糊查询时的“自动追问”能力，依然在无数搜索系统里安静地工作着。

MAP=1∣Q∣∑q=1∣Q∣AP(q),AP(q)=∑k=1nP(k)⋅rel(k)#rel\mathrm{MAP} = \frac{1}{|Q|} \sum_{q=1}^{|Q|} \mathrm{AP}(q), \qquad \mathrm{AP}(q) = \frac{\sum_{k=1}^{n} P(k)\cdot \mathrm{rel}(k)}{\#\mathrm{rel}}
MAP 是一份“总破案率”报表：先算每个案子的平均精度，再把所有案子的平均精度取平均，得到系统整体战斗力。
  1. P(k)（前 k 篇的精确率）抓捕令前 k 名里，真相关者占几成。
    P(k)=前 k 篇中相关文档数kP(k) = \frac{\text{前 } k \text{ 篇中相关文档数}}{k}
  2. rel(k)（第 k 篇是否相关）第 k 名是真人犯还是冤枉路人，相关为 1，否则为 0。
    rel(k)∈{0,1}\mathrm{rel}(k) \in \{0, 1\}
  3. AP(q)（单查询平均精度）把所有“抓到真人犯的位置”上的精确率求平均。
    AP(q)=∑k:rel(k)=1P(k)#rel\mathrm{AP}(q) = \frac{\sum_{k: \mathrm{rel}(k)=1} P(k)}{\#\mathrm{rel}}
  4. 对全部查询求均值（MAP）把所有案子的 AP 加起来取平均，得到系统整体战斗力。
    MAP=1∣Q∣∑q=1∣Q∣AP(q)\mathrm{MAP} = \frac{1}{|Q|} \sum_{q=1}^{|Q|} \mathrm{AP}(q)

AI 应用场景

电商搜索的长尾词拓展

阶段：查询理解与召回优化

解决的问题：用户搜索“运动鞋”时，很多商品标题写的是“跑步鞋”“休闲鞋”，字面不匹配导致漏召回。传统检索只看词面重合，PRF 从点击率最高的 Top 文档中提取“跑步、透气、轻便”等词扩展查询，把大量长尾商品重新捞回结果页。

具体案例：某电商平台上线 PRF 后，搜索“运动鞋”的第一轮结果只覆盖爆款，扩展词加入后，“轻便透气跑步鞋”等长尾商品进入 Top-20，搜索引导的 GMV 提升了约 12%。

学术文献检索的术语补齐

阶段：检索增强生成的前置召回

解决的问题：研究者用口语化句子描述想法（如“怎么让模型学得少也能分类”），学术数据库返回结果稀疏。PRF 从初检论文中提取专业术语（“少样本学习、对比学习、元学习”）扩展查询，补齐口语与学术黑话之间的鸿沟。

具体案例：一位博士生在论文检索系统中输入模糊想法，PRF 自动扩展出 6 个专业术语，第二轮检索的相关论文数量翻了一倍，其中两篇直接成为论文 related work 的核心引用。

企业知识库问答的模糊查询对齐

阶段：FAQ检索与 RAG 召回

解决的问题：员工问“报销要多久”，知识库文档标题是“财务审批流程时效说明”，字面差异导致答非所问。PRF 从初检 FAQ 中提取“审批、发票、合规”等词，把口语化查询与书面化文档对齐。

具体案例：某企业内部助手接入 PRF 后，短查询的命中率提升了 23%，员工不再需要记住“标准术语”才能搜到制度文档。

Python 演示

python76 行
# -*- coding: utf-8 -*-"""PRF pseudo relevance feedback demo with pure Python."""import mathimport refrom collections import Counter DOCS = [    "苹果公司发布了新款手机",    "苹果是一种常见的水果",    "手机市场今年增长迅速",    "苹果树在秋天结果",    "公司财报显示营收增长",    "水果富含维生素",]  def tokenize(text):    return [w for w in re.split(r"[^\u4e00-\u9fa5a-zA-Z0-9]+", text.strip()) if w]  def build_index(docs):    df = Counter()    doc_tf = []    for doc in docs:        tokens = tokenize(doc)        tf = Counter(tokens)        doc_tf.append(tf)        for w in set(tokens):            df[w] += 1    n = len(docs)    idf = {w: math.log((n + 1) / (c + 1)) + 1.0 for w, c in df.items()}    return doc_tf, idf  def score_query(query, doc_tf, idf):    q = tokenize(query)    scores = []    for tf in doc_tf:        s = 0.0        for w in q:            s += tf.get(w, 0) * idf.get(w, 0.0)        scores.append(s)    return scores  def top_docs(scores, k):    order = sorted(range(len(scores)), key=lambda i: scores[i], reverse=True)    return order[:k]  def expand(query, doc_tf, idf, top_k, max_terms=3):    counter = Counter()    for i in top_k:        for w, c in doc_tf[i].items():            counter[w] += c    valid = [w for w in counter if w not in tokenize(query)]    ranked = sorted(valid, key=lambda w: counter[w] * idf.get(w, 0.0), reverse=True)    return query + " " + " ".join(ranked[:max_terms])  def main():    doc_tf, idf = build_index(DOCS)    query = "苹果"    s1 = score_query(query, doc_tf, idf)    k = 2    top = top_docs(s1, k)    print("initial:", [DOCS[i] for i in sorted(top, key=lambda i: s1[i], reverse=True)])    q2 = expand(query, doc_tf, idf, top)    print("expanded query:", q2)    s2 = score_query(q2, doc_tf, idf)    rank2 = sorted(range(len(s2)), key=lambda i: s2[i], reverse=True)    print("refined:", [DOCS[i] for i in rank2])  if __name__ == "__main__":    main()
目的：用 6 篇微型文档复现 PRF 全流程——先按 TF-IDF 做初始检索，取 Top-2 文档，从其中提取扩展词，再以扩展后的查询重新打分排序，直观看到召回改善。
  1. idf = {w: math.log((n + 1) / (c + 1)) + 1.0 for w, c in df.items()}计算逆文档频率，词越稀有，idf 越大，就像老侦探给稀罕线索标的更高价值。
  2. s += tf.get(w, 0) * idf.get(w, 0.0)对每个查询词累加 TF×IDF，完成第一轮“表面相似度”打分。
  3. order = sorted(range(len(scores)), key=lambda i: scores[i], reverse=True)按分数从高到低排序，得到第一轮排查的“嫌疑人名单”。
  4. counter[w] += c把 Top-2 文档中所有词的出现次数累加，统计“嫌疑人圈子里反复出现的词”。
  5. ranked = sorted(valid, key=lambda w: counter[w] * idf.get(w, 0.0), reverse=True)用词频乘 idf 给候选扩展词称重，筛掉泛化词。
  6. return query + " " + " ".join(ranked[:max_terms])把 Top 扩展词拼回原查询，组装第二轮的“抓捕令”。

常见误区

误区伪相关反馈是不是让用户点几个“我喜欢”的按钮，然后系统再搜一次？那我做推荐系统时是不是也这么干？

正解不是。需要用户标注的是“相关性反馈”（Relevance Feedback）；伪相关反馈的“伪”字指系统自作主张地把 Top-K 当成相关文档，全程零用户参与。用户只输入一次查询，剩下的自动完成，这也是它能大规模部署的根本原因。

为何常见：名字里带着“反馈”二字，容易让人联想到需要用户参与；很多入门资料又把两类反馈放在同一章讲，概念边界很容易糊掉。

误区既然是假设相关，那把 K 设成 50、100，样本多一点，统计出来的扩展词肯定更准吧？

正解恰恰相反。K 越大，排名靠后的文档相关性越弱，噪音比例越高。全库通用词在高 K 下更容易混进扩展词，把查询带偏。经验值 K 取 10~30，要在统计稳定性和纯净度之间取平衡。

为何常见：直觉上样本越大越好，但忽略了 PRF 的样本是“按排名截断”的，排名越靠后越不可信。

误区扩展词数量没有上限，多加点词总能覆盖到更多文档吧？

正解扩展词太多，查询向量会被泛化词淹没，检索结果退化成“所有文档都得分”。一般扩展词限制在 10~50 个，且要用权重或 KL 散度筛掉低区分度的词。检索的核心是区分度，而不是覆盖度。

为何常见：用“覆盖=好”的直觉推倒，忘了检索系统要的是“把相关和不相关分开”，而不是“把全部文档都捞上来”。

误区反正都是把第一次检索结果拿去改查询，PRF 只是自动化了而已，原理上没区别。

正解原理区别很大。相关性反馈使用真相关文档（用户标了“这个有用”），反馈信号干净；PRF 使用“假装相关”的文档，信号含噪。因此 PRF 需要 K 值、词数、插值权重等更多约束来对抗噪音，而相关性反馈直接加权即可。

为何常见：两者在流程图上有相似的三段式结构，只看流程不看假设本质，就容易混淆。

误区短查询才需要扩展，用户都打了十几个词了，PRF 还有什么用？

正解长查询信息量足，扩展收益确实递减；但 PRF 的另一个作用是“翻译”——把文档中出现的同义表达融入查询，消解长查询里个别词的歧义。只是工程实践上，它主要被用在短查询场景，因为那里边际收益最大。

为何常见：把 PRF 单纯理解成“加词”，忽略了它还承担“把用户语言换成文档语言”的翻译功能。

面试题

Q1. PRF 中“伪”的含义是什么？

单选题 · easy

  • A.系统故意使用假文档
  • B.假设顶部文档都相关← 正确答案
  • C.检索词被人为篡改
  • D.反馈过程纯属虚构

答案：B。“伪”指系统未经用户确认，就假装排名前 K 的文档是相关文档，并从中提取扩展词。A/D 把“伪”理解成恶意或造假，C 理解成篡改查询，都不符合 PRF 的本意。

Q2. PRF 的正确操作顺序是？

单选题 · easy

  • A.扩充查询词再首轮检索
  • B.首轮检索后提取扩展词← 正确答案
  • C.等待用户手动标注反馈
  • D.直接跳过检索去建索引

答案：B。PRF 的流程是“初始检索 → 假设 Top-K 相关 → 提取候选扩展词 → 用新查询二次检索”。A 把扩展放在检索前，C 是相关性反馈，D 完全偏离检索流程，均不正确。

Q3. 查询漂移的主要成因是什么？

单选题 · mid

  • A.用户查询词拼写错误
  • B.噪音文档把查询带偏← 正确答案
  • C.文档库规模实在太大
  • D.索引更新速度太缓慢

答案：B。查询漂移源于 Top-K 文档中混入不相关文档，其高频词把扩展查询拉向无关方向。A 是用户输入问题，C/D 是工程环境因素，都不会直接导致扩展词方向偏移。

Q4. RM3 中 λ 参数的作用是什么？

单选题 · mid

  • A.决定扩展词项的个数
  • B.调节新旧线索的权重← 正确答案
  • C.决定首轮返回的数量
  • D.决定平滑参数的大小

答案：B。λ 控制原始查询模型与 Top-K 文档集合模型的混合比例，λ 大则更信任原查询，λ 小则更依赖扩展词。扩展词数量由 max_terms 控制，K 值控制首轮返回数，平滑参数由 μ 控制，均与 λ 无关。

Q5. 以下哪些措施能缓解查询漂移？

多选题 · mid

  • A.调小首轮返回的K值← 正确答案
  • B.控制扩展词的总数← 正确答案
  • C.用KL散度筛特征词← 正确答案
  • D.增加文档分词数量

答案：ABC。调小 K 值可减少噪音文档混入，限制扩展词数量可防止查询被泛化词淹没，KL 散度能筛掉与全库背景差异小的词。D 是分词层面的预处理，与纠正漂移没有直接关系。

Q6. 逆文档频率（IDF）越大的词意味着什么？

单选题 · easy

  • A.该词在文档中出现频繁
  • B.该词在全库中稀少独特← 正确答案
  • C.该词的长度一定更短
  • D.该词在全库毫无作用

答案：B。IDF 衡量词的稀有度，在全库中越少出现的词，IDF 越大、区分度越高。A 说的是词频，C 与长度无关，D 把“稀有”误读成“无用”，都不对。

Q7. 相比用户相关性反馈，PRF 的优势有哪些？

多选题 · hard

  • A.整个流程无需用户标注← 正确答案
  • B.系统自动完成两轮检索← 正确答案
  • C.必定能完全杜绝漂移
  • D.成本低且适合大规模用← 正确答案

答案：ABD。PRF 最大的优势是零用户参与、全自动完成、适合大规模部署。但“伪相关”假设决定了它必然有漂移风险，C 说“必定杜绝”过于绝对，PRF 恰恰需要额外机制来抑制漂移。

Q8. MAP 指标衡量的是什么？

单选题 · mid

  • A.全部查询平均精度的均值← 正确答案
  • B.一次检索过程的总时长
  • C.数据集中全部文档个数
  • D.每个查询词项的数量

答案：A。MAP 先对每个查询计算平均精度 AP，再对所有查询的 AP 取均值，反映系统整体把相关文档排在前面的能力。B/C/D 分别描述耗时、文档规模和查询长度，均不属于 MAP 定义。

Q9. 为什么极短查询场景下 PRF 收益最大？

单选题 · hard

  • A.短查询信息少扩展增益高← 正确答案
  • B.短查询的检索耗时更少
  • C.短查询更不容易发生漂移
  • D.短查询必定是正确的查询

答案：A。短查询本身携带的语义信息极少，Top-K 文档补充的扩展词能提供大量缺失的上下文，边际增益最高。B 只说明速度快，C/D 与事实相反——短查询歧义大、漂移风险高，也不存在“必定正确”。

Q10. 关于 K 值的说法，正确的是？

多选题 · hard

  • A.K过小统计结果不稳定← 正确答案
  • B.K过大引入更多噪音文档← 正确答案
  • C.K取值依赖具体语料库← 正确答案
  • D.K值越大效果一定越好

答案：ABC。K 太小，扩展词的词频统计方差大，不稳定；K 太大，排名靠后的文档噪音比例升高；最优 K 随语料和查询分布变化，需要在验证集上调。D 说“越大越好”完全违背工程经验。