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 = 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]
其中cleaned_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,并且vectors
包含维度 (300,500) 的数据中每个句子的编码向量。
当我向我的服务发送查询时,处理一个查询大约需要 10-12 秒,我认为这太慢了。我做了一些调试,意识到问题出在cosine_similarity
功能上,实现如下:
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)
我试图研究不同的实现,并发现一些使用 numba - 运行得非常快nb_cosine
,但它提供的结果并不好,这意味着cosine_similarity
上面的 提供了更正确和更有意义的结果。这是使用 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)
任何人都可以建议,我怎样才能优化我的cosine_similarity
功能以更快地工作?300 句话总是一样的。以防万一,如果需要,下面是get_features
函数:
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))