如何解决词向量相似度精度
我正在尝试手动实现 Gensim 的 most_similar
函数,但计算查询词与其他一个词之间的相似度(避免使用 all 为查询词计算它的时间也就是说)。到目前为止我使用
cossim = (np.dot(a,b)
/ np.linalg.norm(a)
/ np.linalg.norm(b))
这与a
和b
之间的相似度结果相同。我发现这几乎完全有效,但是丢失了一些精度,例如
from gensim.models.word2vec import Word2Vec
import gensim.downloader as api
model_gigaword = api.load("glove-wiki-gigaword-300")
a = 'france'
b = 'chirac'
cossim1 = model_gigaword.most_similar(a)
import numpy as np
cossim2 = (np.dot(model_gigaword[a],model_gigaword[b])
/ np.linalg.norm(model_gigaword[a])
/ np.linalg.norm(model_gigaword[b]))
print(cossim1)
print(cossim2)
输出:
[('french',0.7344760894775391),('paris',0.6580672264099121),('belgium',0.620672345161438),('spain',0.573593258857727),('italy',0.5643460154533386),('germany',0.5567398071289062),('prohertrib',0.5564222931861877),('britain',0.5553334355354309),('chirac',0.5362644195556641),('switzerland',0.5320892333984375)]
0.53626436
所以 most_similar 函数给出了 0.53626441955...(四舍五入到 0.53626442),用 numpy 计算给出了 0.53626436。同样,您可以看到 'paris' 和 'italy' 的值之间的差异(与 'france' 相比具有相似性)。这些差异表明计算没有完全精确(但它在 Gensim 中)。我如何修复它并获得更高精度的单个相似度的输出,就像它来自 most_similar 一样?
TL/DR - 我想使用 function('france','chirac') 并得到 0.5362644195556641,而不是 0.53626436。
知道发生了什么吗?
更新:我应该澄清一下,我想知道并复制 most_similar 如何进行计算,但只有一对 (a,b) 。这是我的首要任务,而不是找出如何提高上述 cossim 计算的精度。我只是假设两者是等价的。
解决方法
为了提高准确性,您可以尝试以下操作:
a = np.array(model_gigaword[a]).astype('float128')
b = np.array(model_gigaword[b]).astype('float128')
cossim = (np.dot(a,b)
/ np.linalg.norm(a)
/ np.linalg.norm(b))
向量可能使用较低精度的浮点数,因此在计算中存在精度损失。
但是,我得到的结果与 model_gigaword.most_similar
为您提供的结果有些不同:
model_gigaword.similarity: 0.5362644
float64: 0.5362644263010196
float128: 0.53626442630101950744
您可能想检查一下您在机器上获得的内容以及您的 Python 和 gensim
版本。
因为浮点数(如这些向量模型中的 np.float32
类型值)使用不精确的二进制近似表示,所以您正在处理或显示的数字都不是精确的十进制数你认为他们是。
您看到的 0.53626436
数字并非完全如此 - 而是一些非常接近该数字的二进制浮点数。类似地,您看到的 0.5362644195556641
并不完全是这个数,而是一些其他的二进制浮点数,非常接近那个数。
此外,这些微小的不精确可能意味着,在理想情况下,无论求值顺序如何,数学表达式都应该给出相同的结果,而对于不同的求值顺序,给出的结果略有不同。例如,我们知道在数学上,a * (b + c)
总是等于 ab + ac
。但是,如果 a
、b
和 c
是精度有限的浮点数,则先加法再乘法与先两次乘法再一次加法的结果可能会有所不同 -因为中间值的近似值会略有不同。
但是:对于几乎所有使用这些数字的域,这种微小的噪音都不应该产生任何影响。正确的策略是忽略它,并以极低的显着性数字编写对这种小的“抖动”具有鲁棒性的代码 - 特别是在打印或比较结果时。 >
因此,实际上您应该只将这些数字打印/比较到它们可靠一致的重要性级别,例如小数点后 4 位:
0.53626436 0.5362644195556641
(实际上,您的输出已经使它看起来好像您可能已经更改了 numpy
或 python
中的默认显示精度级别,因为它不会most_simlar()
的结果通常显示为小数点后的 16 位数字。)
如果您真的、真的想要(作为探索)完全匹配 most_similar()
结果,您可以查看其源代码。然后,以完全相同的顺序,使用完全相同的库例程,对您的输入执行完全相同的步骤。
(这是当前 most_similar()
预发行版中 gensim-4.0.0beta
的来源:https://github.com/RaRe-Technologies/gensim/blob/4.0.0beta/gensim/models/keyedvectors.py#L690)
但是:考虑到浮点数学固有的不精确性,坚持如此精确的对应通常是不明智的,并且会创建更脆弱的代码。
另见:another answer covering some similar issues,它还指出了一种更改默认显示精度的方法。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。