TF-IDF et BM25 : les fondamentaux du scoring de pertinence en SEO

TF-IDF et BM25 sont les deux algorithmes d’Information Retrieval qui structurent, depuis les années 1970, la manière dont un moteur comme Google évalue la pertinence textuelle d’une page. Les comprendre, c’est cesser de deviner son SEO.

En 2026, tout SEO qui veut vraiment comprendre pourquoi une page monte ou descend doit maîtriser ces deux fonctions. Elles ne sont pas des reliques : elles constituent la première étape du classement, celle qui filtre le corpus avant que le neural matching ne prenne le relais. C’est cette couche invisible qui décide si votre page passe le premier tri — ou si elle disparaît avant même d’être évaluée sémantiquement.

Qu’est-ce que l’Information Retrieval et comment fonctionne l’index inversé ?

Imaginez l’index alphabétique à la fin d’un livre : le mot « BM25 » y renvoie aux pages 42, 118 et 240. Google fonctionne exactement sur ce principe, mais à l’échelle de milliers de milliards de pages. Au lieu de scanner tout le web à chaque requête (impossible), le moteur consulte son index inversé et récupère instantanément la liste des documents contenant les termes de la requête.

L’index inversé n’est pas qu’une liste : chaque entrée contient aussi des métadonnées cruciales pour le scoring — fréquence du terme dans le document, position, champ (title, H1, body), longueur du document. Ces métadonnées sont précisément les ingrédients bruts que TF-IDF puis BM25 vont transformer en score de pertinence.

Retenir cela change la façon d’écrire : un texte n’est pas lu comme un humain le lirait, il est décomposé en tokens, comparé à un index, et scoré. La qualité rédactionnelle ne sert que si la couche IR laisse passer la page.

Comment TF-IDF évalue-t-il l’importance des termes dans une page ?

La formule tient en deux briques. La Term Frequency (TF) compte combien de fois un terme apparaît dans un document ; on la normalise souvent par la longueur du texte pour éviter qu’un document long ne triche mécaniquement. L’Inverse Document Frequency (IDF) mesure la rareté : IDF = log(N / df), où N est le nombre total de documents du corpus et df le nombre de documents contenant le terme.

Concrètement : si vous écrivez un article et que le mot « BM25 » y apparaît 12 fois alors qu’il n’existe que dans 0,001 % des pages du web, son score TF-IDF sera très élevé. À l’inverse, le mot « site » a beau apparaître 40 fois dans votre texte, son IDF est faible : il ne signale pas grand-chose de spécifique.

Pourquoi TF-IDF, seul, favorisait le keyword stuffing

La grande limite historique de TF-IDF tient à sa linéarité : plus vous répétez un mot-clé, plus son score TF grimpe — sans plafond. Dans les années 2000-2010, cette faille a nourri des pratiques SEO agressives : répéter « assurance auto pas cher » 80 fois dans une page pour faire exploser le TF. TF-IDF ne pénalisait ni la répétition abusive, ni les documents anormalement longs.

C’est précisément pour combler ces trous qu’a émergé la famille BM (Best Matching), et notamment BM25, développée à Londres par Stephen Robertson et son équipe autour du projet Okapi dans les années 1990.

Pourquoi BM25 a-t-il remplacé TF-IDF dans les moteurs de recherche modernes ?

BM25 est une fonction de scoring probabiliste : elle estime la probabilité qu’un document soit pertinent pour une requête donnée. C’est le modèle utilisé par défaut dans Elasticsearch et Apache Lucene, qui structurent une part massive des moteurs de recherche d’entreprise dans le monde. Google, sans le confirmer explicitement, en a implémenté des variantes propriétaires dans ses couches de retrieval.

Quelles sont les variables mathématiques clés de BM25 ?

La formule BM25 combine trois éléments : l’IDF (comme TF-IDF), une TF saturée, et un facteur de normalisation de longueur. Deux paramètres réglables gouvernent son comportement.

Le paramètre k1 transforme la courbe : au lieu d’une droite qui monte à l’infini, on obtient une courbe qui plafonne. Avec k1 = 1,5, le passage de 1 à 5 occurrences apporte beaucoup ; le passage de 20 à 25 n’apporte quasiment rien. La documentation officielle d’Elastic sur BM25 détaille précisément ce comportement.

Comment BM25 résout-il le problème de la longueur des pages ?

Le second apport de BM25 est la normalisation par la longueur moyenne des documents du corpus (avgdl). Le paramètre b module cette normalisation : à 0,75, un document deux fois plus long que la moyenne verra son score légèrement rabaissé, pour éviter qu’un contenu de 8 000 mots ne domine mécaniquement un contenu de 800 mots parfaitement ciblé.

Traduction opérationnelle : arrêter de gonfler artificiellement les articles. Une page qui répond en 1 200 mots précis peut battre au scoring lexical une page de 5 000 mots qui délaye. C’est un renversement complet des pratiques SEO 2015-2020, où « plus long = mieux » était le mantra.

Comment Google combine-t-il BM25, neural matching et intelligence artificielle ?

C’est l’architecture dite retrieval + reranking, aujourd’hui standard dans les moteurs modernes et documentée dans la littérature académique récente sur le Retrieval-Augmented Generation. La logique est simple : les modèles neuronaux sont lents et coûteux. Impossible de leur passer les mille milliards de pages du web. BM25 sert donc de premier filtre — quelques millisecondes pour ramener les 1 000 documents les plus pertinents lexicalement — puis les modèles sémantiques prennent le relais sur ce sous-ensemble.

Le neural matching ne remplace pas BM25 : il l’augmente. BM25 dit « ces 1 000 pages contiennent lexicalement les bons signaux » ; BERT dit ensuite « parmi ces 1 000, voici les 10 qui répondent vraiment à l’intention de la question ». Pour approfondir cette couche neuronale, notre analyse dédiée à RankBrain, BERT et MUM décrit précisément leurs mécaniques respectives.

Du string au thing : BM25, Knowledge Graph et entités

Google a aussi opéré une bascule majeure : passer d’une recherche de chaînes de caractères (strings) à une recherche d’entités (things). Le Knowledge Graph — la base de connaissances de Google, alimentée notamment par Wikidata — permet au moteur d’associer « BM25 » à l’entité « algorithme d’information retrieval, développé par Stephen Robertson, utilisé dans Elasticsearch », et non plus à une simple suite de caractères.

Sur le terrain, ce que l’on observe chez iaba : les pages qui nomment explicitement les entités liées à leur sujet — et qui les relient via un balisage Schema.org propre — sont mieux « comprises » par les moteurs génératifs (ChatGPT, Perplexity, Google AI Overviews) que les pages qui se contentent d’aligner des mots-clés. Le lexical seul ne suffit plus, mais il reste le point d’entrée. Notre approche du Knowledge Graph et de Wikidata détaille la méthode.

« Sur les audits GEO qu’on mène, le constat est constant : les pages qui combinent une hygiène lexicale propre — vocabulaire spécifique, absence de dilution — avec un balisage d’entités clair sont celles que les moteurs génératifs citent le plus volontiers. BM25 n’est pas mort, il est devenu la base. »

Quelles sont les implications pratiques du scoring BM25 pour votre stratégie SEO ?

Comment optimiser un contenu pour l’Information Retrieval moderne ?

Cinq leviers concrets, directement dérivés des mécaniques BM25 et de leur interaction avec les modèles neuronaux :

1. Cibler les termes rares

   Utilisez le vocabulaire technique précis de votre sujet (ex. « saturation de fréquence », « normalisation par longueur »). Chaque terme rare fait monter l’IDF.

2. Éviter la répétition mécanique

   Passé 4-6 occurrences du mot-clé principal, k1 sature. Variez avec synonymes et co-occurrences sémantiques.

3. Contrôler la longueur

   Le paramètre b pénalise les pages anormalement longues. Écrivez dense, pas long.

4. Structurer en Hn interrogatifs

   Les moteurs (et les IA génératives) extraient plus facilement des sections structurées en questions-réponses.

5. Nommer les entités

   Citez les entités liées (personnes, organisations, concepts) : cela nourrit à la fois le retrieval lexical et le Knowledge Graph.

Quel est le rôle de l’E-E-A-T et des Quality Raters dans ce processus ?

BM25 mesure la pertinence textuelle ; il ne dit rien de la qualité, de la fiabilité ou de l’expertise de la page. C’est là qu’interviennent les signaux E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) évalués par les Quality Raters de Google — un réseau d’évaluateurs humains qui notent la qualité des résultats selon les Search Quality Rater Guidelines officielles.

Les Quality Raters ne modifient pas directement le classement d’une page — leurs évaluations servent à entraîner et calibrer les algorithmes. Mais leurs guidelines révèlent ce que Google considère comme de la qualité : sources vérifiables, auteur identifié, expertise démontrable, expérience de première main. Ces signaux sont ensuite modélisés algorithmiquement et pondèrent le score final au-dessus de la couche BM25.

Aligner scoring lexical et intention de recherche

Dernier point crucial : BM25 ne comprend pas l’intention de recherche. Une page peut scorer haut lexicalement tout en répondant à côté (informationnel vs transactionnel). C’est le rôle du reranking neuronal de recadrer. Traduction : votre contenu doit à la fois parler le vocabulaire attendu (couche BM25) et répondre à l’intention réelle (couche neurale). Les deux, pas l’un ou l’autre.

Que devient TF-IDF / BM25 à l’ère de l’IA générative ?

Loin d’être obsolète, BM25 est aujourd’hui redécouvert par la recherche académique. Les travaux récents sur le RAG montrent qu’il reste souvent supérieur aux embeddings purs sur les requêtes contenant des termes rares, des noms propres ou du jargon technique. Les moteurs génératifs performants combinent donc les deux approches — c’est ce qu’on appelle la recherche hybride.

La conclusion opérationnelle est claire : optimiser pour BM25 en 2026 ne signifie pas « faire du SEO à l’ancienne ». C’est s’assurer que la première couche de récupération — celle qui décide si vous entrez dans l’échantillon que verront les modèles neuronaux et les LLM — vous laisse passer. Un contenu qui échoue à BM25 est invisible pour la suite, quelle que soit sa qualité rédactionnelle.

Questions fréquentes sur TF-IDF et BM25