Question

我有一个代码来计算两个矩阵之间的余弦相似度：

def cos_cdist_1(matrix, vector):
    v = vector.reshape(1, -1)
    return sp.distance.cdist(matrix, v, 'cosine').reshape(-1)


def cos_cdist_2(matrix1, matrix2):
    return sp.distance.cdist(matrix1, matrix2, 'cosine').reshape(-1)

list1 = [[1,1,1],[1,2,1]]
list2 = [[1,1,1],[1,2,1]]

matrix1 = np.asarray(list1)
matrix2 = np.asarray(list2)

results = []
for vector in matrix2:
    distance = cos_cdist_1(matrix1,vector)
    distance = np.asarray(distance)
    similarity = (1-distance).tolist()
    results.append(similarity)


dist_all = cos_cdist_2(matrix1, matrix2)
results2 = []
for item in dist_all:
    distance_result = np.asarray(item)
    similarity_result = (1-distance_result).tolist()
    results2.append(similarity_result)

results是

[[1.0000000000000002, 0.9428090415820635],
                     [0.9428090415820635, 1.0000000000000002]]

但是，results2为[1.0000000000000002, 0.9428090415820635, 0.9428090415820635, 1.0000000000000002]

我理想的结果是results，这意味着结果包含相似值列表，但我想保持两个矩阵之间的计算而不是矢量和矩阵，任何好主意？

Answer 1

In [75]: import scipy.spatial as sp
In [76]: 1 - sp.distance.cdist(matrix1, matrix2, 'cosine')
Out[76]: 
array([[ 1.        ,  0.94280904],
       [ 0.94280904,  1.        ]])

因此，您可以删除for-loops并将其全部替换为

results2 = 1 - sp.distance.cdist(matrix1, matrix2, 'cosine')

Answer 2

您可以看看scikit Learn的用于计算余弦相似度的API：https://scikit-learn.org/stable/modules/generated/sklearn.metrics.pairwise.cosine_similarity.html。

余弦相似度或余弦内核计算相似度为 X和Y的归一化点积：

K（X，Y）= /（|| X || * || Y ||）

X ：darray或稀疏数组，形状：（n_samples_X，n_features）

Y ：darray或稀疏数组，形状：（n_samples_Y，n_features）如果为None，则输出将是所有之间的成对相似性 X中的样本。

两个矩阵之间的余弦相似度计算

2 个答案: