Python利用Faiss库实现ANN近邻搜索的方法详解
更新时间：2020年08月03日 09:00:02 作者：蚂蚁学Python
这篇文章主要介绍了Python利用Faiss库实现ANN近邻搜索的方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面来一起学习学习吧
Embedding的近邻搜索是当前图推荐系统非常重要的一种召回方式，通过item2vec、矩阵分解、双塔DNN等方式都能够产出训练好的user embedding、item embedding，对于embedding的使用非常的灵活：
- 输入user embedding，近邻搜索item embedding，可以给user推荐感兴趣的items
- 输入user embedding，近邻搜搜user embedding，可以给user推荐感兴趣的user
- 输入item embedding，近邻搜索item embedding，可以给item推荐相关的items
然而有一个工程问题，一旦user embedding、item embedding数据量达到一定的程度，对他们的近邻搜索将会变得非常慢，如果离线阶段提前搜索好在高速缓存比如redis存储好结果当然没问题，但是这种方式很不实时，如果能在线阶段上线几十MS的搜索当然效果最好。
Faiss是Facebook AI团队开源的针对聚类和相似性搜索库，为稠密向量提供高效相似度搜索和聚类，支持十亿级别向量的搜索，是目前最为成熟的近似近邻搜索库。
接下来通过jupyter notebook的代码，给大家演示下使用faiss的简单流程，内容包括：
- 读取训练好的Embedding数据
- 构建faiss索引，将待搜索的Embedding添加进去
- 取得目标Embedding，实现搜索得到ID列表
- 根据ID获取电影标题，返回结果
对于已经训练好的Embedding怎样实现高速近邻搜索是一个工程问题，facebook的faiss库可以构建多种embedding索引实现目标embedding的高速近邻搜索，能够满足在线使用的需要
安装命令：
conda install -c pytorch faiss-cpu
提前总结下faiss使用经验：
1. 为了支持自己的ID，可以用faiss.IndexIDMap包裹faiss.IndexFlatL2即可
2. embedding数据都需要转换成np.float32，包括索引中的embedding以及待搜索的embedding
3. ids需要转换成int64类型
1. 准备数据
import pandas as pd import numpy as np
df = pd.read_csv("./datas/movielens_sparkals_item_embedding.csv")
df.head()
| id | features | |
|---|---|---|
| 0 | 10 | [0.25866490602493286, 0.3560594320297241, 0.15… |
| 1 | 20 | [0.12449632585048676, -0.29282501339912415, -0… |
| 2 | 30 | [0.9557555317878723, 0.6764761805534363, 0.114… |
| 3 | 40 | [0.3184879720211029, 0.6365472078323364, 0.596… |
| 4 | 50 | [0.45523127913475037, 0.34402626752853394, -0…. |
构建ids
ids = df["id"].values.astype(np.int64)
type(ids), ids.shape
(numpy.ndarray, (3706,))
ids.dtype
dtype('int64')
ids_size = ids.shape[0]
ids_size
3706
构建datas
import json
import numpy as np
datas = []
for x in df["features"]:
datas.append(json.loads(x))
datas = np.array(datas).astype(np.float32)
datas.dtype
dtype('float32')
datas.shape
(3706, 10)
datas[0]
array([ 0.2586649 , 0.35605943, 0.15589039, -0.7067125 , -0.07414215,
-0.62500805, -0.0573845 , 0.4533663 , 0.26074877, -0.60799956],
dtype=float32)
# 维度
dimension = datas.shape[1]
dimension
10
2. 建立索引
import faiss
index = faiss.IndexFlatL2(dimension)
index2 = faiss.IndexIDMap(index)
ids.dtype
dtype('int64')
index2.add_with_ids(datas, ids)
index.ntotal
3706
4. 搜索近邻ID列表
df_user = pd.read_csv("./datas/movielens_sparkals_user_embedding.csv")
df_user.head()
id features
| id | features | |
|---|---|---|
| 0 | 10 | [0.5974288582801819, 0.17486965656280518, 0.04… |
| 1 | 20 | [1.3099910020828247, 0.5037978291511536, 0.260… |
| 2 | 30 | [-1.1886241436004639, -0.13511677086353302, 0…. |
| 3 | 40 | [1.0809299945831299, 1.0048035383224487, 0.986… |
| 4 | 50 | [0.42388680577278137, 0.5294889807701111, -0.6… |
user_embedding = np.array(json.loads(df_user[df_user["id"] == 10]["features"].iloc[0]))
user_embedding = np.expand_dims(user_embedding, axis=0).astype(np.float32)
user_embedding
array([[ 0.59742886, 0.17486966, 0.04345559, -1.3193961 , 0.5313592 ,
-0.6052168 , -0.19088413, 1.5307966 , 0.09310367, -2.7573566 ]],
dtype=float32)
user_embedding.shape
(1, 10)
user_embedding.dtype
dtype('float32')
topk = 30
D, I = index.search(user_embedding, topk) # actual search
I.shape
(1, 30)
I
array([[3380, 2900, 1953, 121, 3285, 999, 617, 747, 2351, 601, 2347,
42, 2383, 538, 1774, 980, 2165, 3049, 2664, 367, 3289, 2866,
2452, 547, 1072, 2055, 3660, 3343, 3390, 3590]])
5. 根据电影ID取出电影信息
target_ids = pd.Series(I[0], name="MovieID")
target_ids.head()
0 3380
1 2900
2 1953
3 121
4 3285
Name: MovieID, dtype: int64
df_movie = pd.read_csv("./datas/ml-1m/movies.dat",
sep="::", header=None, engine="python",
names = "MovieID::Title::Genres".split("::"))
df_movie.head()
| MovieID | Title | Genres | |
|---|---|---|---|
| 0 | 1 | Toy Story (1995) | Animation|Children's|Comedy |
| 1 | 2 | Jumanji (1995) | Adventure|Children's|Fantasy |
| 2 | 3 | Grumpier Old Men (1995) | Comedy|Romance |
| 3 | 4 | Waiting to Exhale (1995) | Comedy|Drama |
| 4 | 5 | Father of the Bride Part II (1995) | Comedy |
df_result = pd.merge(target_ids, df_movie) df_result.head()
| MovieID | Title | Genres | |
|---|---|---|---|
| 0 | 3380 | Railroaded! (1947) | Film-Noir |
| 1 | 2900 | Monkey Shines (1988) | Horror|Sci-Fi |
| 2 | 1953 | French Connection, The (1971) | Action|Crime|Drama|Thriller |
| 3 | 121 | Boys of St. Vincent, The (1993) | Drama |
| 4 | 3285 | Beach, The (2000) | Adventure|Drama |
总结
到此这篇关于Python利用Faiss库实现ANN近邻搜索的文章就介绍到这了,更多相关Python用Faiss库ANN近邻搜索内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
今天小编就为大家分享一篇python实现数据导出到excel的示例--普通格式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-05-05
Python使用read_csv读数据遇到分隔符问题的2种解决方式
read.csv()可以从带分隔符的文本文件中导入数据,下面这篇文章主要给大家介绍了关于Python使用read_csv读数据遇到分隔符问题的2种解决方式,文中通过实例代码介绍的非常详细,需要的朋友可以参考下2022-07-07
这篇文章主要为大家介绍了python基于opencv实现目标追踪示例，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪2022-05-05
今天小编就为大家分享一篇python3写的简单本地文件上传服务器实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-06-06
nx.adjacency_matrix计算邻接矩阵与真实结果不一致的解决
这篇文章主要介绍了nx.adjacency_matrix计算邻接矩阵与真实结果不一致的解决方案，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教2022-12-12
这篇文章主要为大家介绍了python生成器和匿名函数，具有一定的参考价值，感兴趣的小伙伴们可以参考一下，希望能够给你带来帮助2022-01-01
今天小编就为大家分享一篇基于django传递数据到后端的例子，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-08-08
今天小编就为大家分享一篇python 梯度法求解函数极值的实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2019-07-07
这篇文章主要介绍了ptyhon 随机森林算法及其优化详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2019-07-07
这篇文章主要为大家介绍了如何通过Python实现一个非常精简的图像化的PDF区域选择提取工具，文中示例代码讲解详细，感兴趣的小伙伴可以学习一下2021-12-12
最新评论