Question

我在计算大量100维向量之间的余弦相似度时遇到麻烦。使用from sklearn.metrics.pairwise import cosine_similarity时，我在16 GB的计算机上得到MemoryError。每个数组都非常适合我的记忆，但是我在MemoryError内部调用

期间得到了np.dot()

这是我的用例以及当前的处理方式。

这是我的100维父向量，我需要将其与其他500,000个相同尺寸（即100）的不同向量进行比较

parent_vector = [1, 2, 3, 4 ..., 100]

这是我的子向量（此示例中包含一些虚构的随机数）

child_vector_1 = [2, 3, 4, ....., 101]
child_vector_2 = [3, 4, 5, ....., 102]
child_vector_3 = [4, 5, 6, ....., 103]
.......
.......
child_vector_500000 = [3, 4, 5, ....., 103]

我的最终目标是获得与父向量的余弦相似度非常高的前N个子向量（其名称如child_vector_1及其对应的余弦分数）。

我目前的方法（我知道这种方法效率低下且消耗内存）：

步骤1：创建以下形状的超级数据框

parent_vector         1,    2,    3, .....,    100   
child_vector_1        2,    3,    4, .....,    101   
child_vector_2        3,    4,    5, .....,    102   
child_vector_3        4,    5,    6, .....,    103   
......................................   
child_vector_500000   3,    4,    5, .....,    103

步骤2：使用

from sklearn.metrics.pairwise import cosine_similarity
cosine_similarity(df)

获取所有向量之间的成对余弦相似度（如上数据框所示）

步骤3：列出一个元组列表，以存储所有此类组合的key（例如child_vector_1）和值（例如余弦相似度数字）。

第4步：使用列表的sort()获得前N位，以便获得子向量名称以及它与父向量的余弦相似度得分。

PS：我知道这效率很低，但是我想不到更好的方法快速计算每个子向量之间的余弦相似度的方法和父向量，并获得前N个值。

任何帮助将不胜感激。

Answer 1

即使您的（500000，100）数组（父级及其子级）适合内存任何成对度量都不会。这样做的原因是顾名思义，成对度量可计算任意两个子代的距离。为了存储这些距离，您将需要一个（500000,500000）大小的浮点数组，如果我的计算正确的话，它将需要大约100 GB的内存。

很高兴为您解决问题。如果我对您的理解正确，那么您只希望孩子和父母之间有一段距离，这将导致长度为500000的向量易于存储在内存中。

为此，您只需要向cosine_similarity提供第二个参数，仅包含parent_vector

import pandas as pd
import numpy as np
from sklearn.metrics.pairwise import cosine_similarity

df = pd.DataFrame(np.random.rand(500000,100)) 
df['distances'] = cosine_similarity(df, df.iloc[0:1]) # Here I assume that the parent vector is stored as the first row in the dataframe, but you could also store it separately

n = 10 # or however many you want
n_largest = df['distances'].nlargest(n + 1) # this contains the parent itself as the most similar entry, hence n+1 to get n children

希望能解决您的问题。

Answer 2

我什至无法将整个语料库容纳在内存中，所以对我来说，一个解决方案是逐渐加载它，并在较小的批次上计算余弦相似度，始终保持最少/最多n（取决于您的用例）相似度项目：

data = []
iterations = 0
with open('/media/corpus.txt', 'r') as f:
    for line in f:
        data.append(line)
        if len(data) <= 1000:
            pass
        else:
            print('Getting bottom k, iteration {x}'.format(x=iterations))
            data = get_bottom_k(data, 500)
            iterations += 1
filtered = get_bottom_k(data, 500) # final most different 500 texts in corpus


def get_bottom_k(corpus:list, k:int):
    pairwise_similarity = make_similarity_matrix(corpus) # returns pairwise similarity matrix
    sums = csr_matrix.sum(pairwise_similarity, axis=1)  # Similarity index for each item in corpus. Bigger > more
    sums = np.squeeze(np.asarray(sums))
    # similar to other txt.
    indexes = np.argpartition(sums, k, axis=0)[:k] # Bottom k in terms of similarity (-k for top and [-k:])
    return [corpus[i] for i in indexes]

到目前为止，这是一个最佳解决方案，但这是我到目前为止发现的最简单的方法，也许会对某人有所帮助。

Answer 3

此解决方案非常快

child_vectors = np.array(child_vector_1, child_vector_2, ....., child_vector_500000)
input_norm = parent_vector / np.linalg.norm(parent_vector, axis=-1)[:, np.newaxis]
embed_norm =  child_vectors/ np.linalg.norm(child_vectors, axis=-1)[:, np.newaxis]
cosine_similarities = np.sort(np.round(np.dot(input_norm, embed_norm.T), 3)[0])[::-1]
paiswise_distances = 1 - cosine_similarities

大型数据集的余弦相似度

3 个答案: