Python 3.x 余弦相似性很慢
我有一组句子,使用句子编码器将其编码为向量,我想找出与传入查询最相似的句子 搜索功能如下所示:Python 3.x 余弦相似性很慢,python-3.x,similarity,cosine-similarity,sentence-similarity,Python 3.x,Similarity,Cosine Similarity,Sentence Similarity,我有一组句子,使用句子编码器将其编码为向量,我想找出与传入查询最相似的句子 搜索功能如下所示: def semantic_search(cleaned_query, data, vectors): query_vec = get_features(cleaned_query)[0].ravel() res = [] for i, d in enumerate(data): qvec = vectors[i].ravel() sim = co
def semantic_search(cleaned_query, data, vectors):
query_vec = get_features(cleaned_query)[0].ravel()
res = []
for i, d in enumerate(data):
qvec = vectors[i].ravel()
sim = cosine_similarity(query_vec, qvec)
if sim > 0.5:
res.append((format(sim * 100, '.2f'), data[i]))
return sorted(res, key=lambda x: x[0], reverse=True)[:15]
import numpy as np
def cosine_similarity(v1, v2):
mag1 = np.linalg.norm(v1)
mag2 = np.linalg.norm(v2)
if (not mag1) or (not mag2):
return 0
return np.dot(v1, v2) / (mag1 * mag2)
其中,cleaned\u query
是一个字符串形式的预处理查询,data
是一个包含所有句子(总共300个)的列表,vectors
包含维度数据(300500)中每个句子的编码向量
当我向我的服务发送一个查询时,大约需要10-12秒来处理一个查询,在我看来,这太慢了。我做了一些调试,发现问题出在cosine\u similarity
函数中,实现如下:
def semantic_search(cleaned_query, data, vectors):
query_vec = get_features(cleaned_query)[0].ravel()
res = []
for i, d in enumerate(data):
qvec = vectors[i].ravel()
sim = cosine_similarity(query_vec, qvec)
if sim > 0.5:
res.append((format(sim * 100, '.2f'), data[i]))
return sorted(res, key=lambda x: x[0], reverse=True)[:15]
import numpy as np
def cosine_similarity(v1, v2):
mag1 = np.linalg.norm(v1)
mag2 = np.linalg.norm(v2)
if (not mag1) or (not mag2):
return 0
return np.dot(v1, v2) / (mag1 * mag2)
我曾尝试研究过不同的实现,发现一些使用numba-nb_cosine
的实现非常快,但效果并不好,这意味着上面的cosine_相似度
可以提供更正确、更有意义的结果。以下是numba的实现:
import numba as nb
import numpy as np
@nb.jit(nopython=True, fastmath=True)
def nb_cosine(x, y):
xx,yy,xy=0.0,0.0,0.0
for i in range(len(x)):
xx+=x[i]*x[i]
yy+=y[i]*y[i]
xy+=x[i]*y[i]
return 1.0-xy/np.sqrt(xx*yy)
有人可以建议,我如何优化我的余弦\u相似性函数以更快地工作?这300句话总是一样的。为了以防万一,如果需要,下面是get\u功能
功能:
def get_features(texts):
if type(texts) is str:
texts = [texts]
with tf.Session(graph=graph) as sess:
sess.run([tf.global_variables_initializer(), tf.tables_initializer()])
return sess.run(embed(texts))
我不确定你计算的余弦相似性是否正确
那里您可能需要检查得到的一些值并确保
它们是有道理的
无论如何,加快速度的一种方法是预先计算和存储
300个句子的每个向量的大小,以及
预先计算query\u vec
的大小。就像现在的代码一样,你是
通过每次调用重新计算每个句子的大小,以及
计算query\u vec的大小
300次。谢谢你的建议,我理解你的意思,但这对代码没有任何好处-处理所需的时间几乎相同。真的。我很惊讶,我本以为所有这些重新计算占用了相当大的时间。抱歉,这没用。你可以尝试下面的链接,