我有一个大小为8.5 GB的大文本文件，其中包含一个单词格式的300万行，后跟300个数字，如下所示：
字0.056646 -0.0256464 0.05246（依此类推）
单词后面的300个数字形成一个代表单词的向量。我有三个单词，我必须找到最接近第四个单词的向量，使用类比模型（我使用加法，乘法和方向）。
另外，它看起来像这样：
假设你有单词vector a，b和c，那么我会做c - a + b。然后我将遍历所有300万行并使用余弦相似性通过寻找最大结果来找到第四个单词d。所以它看起来像这样：d = max（cos（d'，c-a + b））其中d'代表当前行的单词。
上述示例代表一个查询。我必须执行总共20000个查询。而且我不只是为加法类比模型执行它，而是为了乘法和方向。当我运行我的程序时，它仍在尝试计算第一个查询的第一个类比模型（添加）的第四个单词，总共30秒后！我在程序中急需优化。
首先，我正在对300万行（3次）进行简单的迭代，以找到单词向量a，b和c所需的向量。使用 System.nanoTime（）我了解到，对于这些向量中的每一个，查找向量大约需要1.5毫秒。找到所有3个大约需要5毫秒。
接下来，我在矢量之间进行计算，使用我自己编写的类（我似乎没有找到任何处理矢量计算的标准API）：
public class VectorCalculation {
public static List<Double> plus(List<Double> v1, List<Double> v2){
return operation(new Plus(), v1, v2);
}
public static List<Double> minus(List<Double> v1, List<Double> v2){
return operation(new Minus(), v1, v2);
}
public static List<Double> operation(Operator op, List<Double> v1, List<Double> v2){
if(v1.size() != v2.size()) throw new IllegalArgumentException("The dimension of the given lists are not the same.");
List<Double> resultVector = new ArrayList<Double>();
for(int i = 0; i < v1.size(); i++){
resultVector.add(op.calculate(v1.get(i), v2.get(i)));
}
return resultVector;
}
}
public interface Operator {
public Double calculate(Double e1, Double e2);
}
public class Plus implements Operator {
@Override
public Double calculate(Double e1, Double e2) {
return e1+e2;
}
}
public class Minus implements Operator {
@Override
public Double calculate(Double e1, Double e2) {
return e1-e2;
}
}
矢量的计算在这里：
public class Addition extends AnalogyModel {
@Override
double calculateWordVector(List<Double> a, List<Double> b, List<Double> c, List<Double> d) {
//long startTime1 = System.nanoTime();
List<Double> result = VectorCalculation.plus(VectorCalculation.minus(c, a), b);
//long endTime1 = System.nanoTime() - startTime1;
double result2 = cosineSimilarity(d, result);
//long endTime2 = System.nanoTime() - startTime1;
//System.out.println(endTime1 + " | " + endTime2);
return result2;
}
Double cosineSimilarity(List<Double> v1, List<Double> v2){
if(v1.size() != v2.size()) throw new IllegalArgumentException("Vector dimensions are not the same.");
// find the dividend
Double dividend = dotProduct(v1, v2);
// find the divisor
Double divisor = dotProduct(v1, v1) * dotProduct(v2, v2);
if(divisor == 0) divisor = 0.0001; // safety net against dividing by 0.
return dividend/divisor;
}
/**
* @return Returns the dot product of two vectors.
*/
Double dotProduct(List<Double> v1, List<Double> v2){
System.out.println(v1);
Double result = 0.0;
for(int i = 0; i < v1.size(); i++){
result += v1.get(i)*v2.get(i);
}
return result;
}
}
计算结果所需的时间从粗略开始（大约0.1毫秒）但很快就下降到大约0.025毫秒。计算 result2 所需的时间通常非常适中，大约为0.005毫秒。通过遍历300万行并保存向量列表找到d'。此操作大约需要0.06毫秒。
总结：完成一个查询所需的估计时间，对于一个类比模型，需要5 + 3000000 *（0.025 + 0.005 + 0.06）= 270005毫秒或270秒或4.5分钟才能完成一个查询...考虑到我需要为其他类比模型再做两次这样做，我需要总共做20000次，这显然是不够的。
文本文件中的单词未订购。看起来矢量计算太重了，但是必须缩短在文本文件中找到单词矢量所需的时间。如果文本文件被分成较小的文本文件会有帮助吗？
/**
* @param vocabularyPath The path of the vector text file.
* @param word The word to find the vector for.
* @return Returns the vector of the given word as an array list.
*/
List<Double> getStringVector(String vocabularyPath, String word) throws IOException{
BufferedReader br = new BufferedReader(new FileReader(vocabularyPath));
String input = br.readLine();
boolean found = false;
while(!found && input != null){
if(input.contains(word)) found = true;
else input = br.readLine();
}
br.close();
if(input == null) return null;
else return getVector(input);
}
/**
* @param inputLine A line from the vector text file.
* @return Returns the vector of the given line as an array list.
*/
List<Double> getVector(String inputLine){
String[] splitString = inputLine.split("\\s+");
List<String> stringList = new ArrayList<>(Arrays.asList(splitString));
stringList.remove(0); // remove the word at the front
stringList.remove(stringList.size()-1); // remove the empty string at the end
List<Double> vectorList = new ArrayList<>();
for(String s : stringList){
vectorList.add(Double.parseDouble(s));
}
return vectorList;
}
答案 0 :(得分：2)
有两个明显的问题：List<Double>和Operator。
第一个意味着代替使用double的8个字节（顺便提一句。float很可能会这样做），你需要两倍以上（包含值和引用的对象） 。更糟糕的是：你失去了空间位置，因为你的号码可能在记忆中的任何地方。
第二个意味着您为每个点产品执行N次虚拟呼叫。这可能不是当前的问题，但是当你在操作员之间切换时，它可能会减慢你的速度。
我猜你的所有向量都相同，所以请使用double[]。你节省了大量内存并获得了很好的加速。
将您的operation重写为类似
public static void operationTo(double[] result, Operator op, double[] v1, double[] v2){
int length = result.length;
if(v1.length != length || v2.length != length) {
throw new IllegalArgumentException("The dimension of the given lists are not the same.");
}
switch (op) { // use an enum
case PLUS:
for(int i = 0; i < length; i++) {
result[i] = v1[i] + v2[i];
}
break;
...
}
}
最快的方法是HashMap<String, double[]>，假设它全部适合内存。否则，数据库（如已建议的那样）可能是最佳选择。带二分搜索的排序文件也可以。但请注意，除Map之外的任何其他解决方案都要慢10倍。
你只有3M单词，很适合记忆。将它们放入ArrayList并对其进行排序。将向量写入二进制文件中的单词。现在，要找到一个向量，您需要做的就是
long index = Arrays.binarySeach(wordList, word);
randomAccessFile.seek(index * vectorLength * Double.SIZE / Byte.SIZE)
答案 1 :(得分：0)
所以你试图在一个300维空间的300万个坐标中回答20000 nearest neighbor searches？
对每个查询迭代整个数据集必然会相当慢。通过将数据集插入可以有效回答最近邻居查询的数据结构（例如Ball Tree），您可能获得最大的加速。