我有存储在BigQuery中的向量(请参阅How can I compute TF/IDF with SQL (BigQuery)),我想找到它们之间最相似的。如何使用BigQuery标准SQL计算余弦相似度?
答案 0 :(得分:3)
此查询查看为每个doc定义的向量,给定其维度(按字词)并将它们与余弦距离公式相乘:
#standardSQL
SELECT ANY_VALUE(title2) orig, ANY_VALUE(tf2id) id_orig, a.id id_similar
, ROUND(SAFE_DIVIDE( SUM(b.tf_idf * IFNULL(c.tf_idf,0)),(SQRT(SUM(b.tf_idf*b.tf_idf))*SQRT(SUM(POW(IFNULL(c.tf_idf,0),2))))),4) distance
, ANY_VALUE(title1) similar
, ARRAY_AGG((ROUND(b.tf_idf,4), ROUND(c.tf_idf,4))) weights
, ARRAY_AGG((b.word, c.word)) words
FROM (
SELECT id, tfidfs tf1, tf2, tf2id
, a.title title1
, b.title title2
FROM `fh-bigquery.stackoverflow.tf_idf_experiment_3` a
CROSS JOIN (
SELECT tfidfs tf2, id tf2id, title
FROM `fh-bigquery.stackoverflow.tf_idf_experiment_3`
WHERE id = 11353679
LIMIT 1
) b
) a
, UNNEST(tf1) b LEFT JOIN UNNEST(tf2) c ON b.word=c.word
GROUP BY id
ORDER BY distance DESC
第一个结果是同一个文件,证明我们自己得到距离1:
第二个结果:
ETC:
警告:这个SQL代码执行LEFT JOIN,因此我们只获得左侧文档中不在右侧的单词的空值,而不是相反的。