溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要講解了Python如何利用Faiss庫實現ANN近鄰搜索，內容清晰明了，對此有興趣的小伙伴可以學習一下，相信大家閱讀完之后會有幫助。
Embedding的近鄰搜索是當前圖推薦系統非常重要的一種召回方式，通過item2vec、矩陣分解、雙塔DNN等方式都能夠產出訓練好的user embedding、item embedding，對于embedding的使用非常的靈活：
然而有一個工程問題，一旦user embedding、item embedding數據量達到一定的程度，對他們的近鄰搜索將會變得非常慢，如果離線階段提前搜索好在高速緩存比如redis存儲好結果當然沒問題，但是這種方式很不實時，如果能在線階段上線幾十MS的搜索當然效果最好。
Faiss是Facebook AI團隊開源的針對聚類和相似性搜索庫，為稠密向量提供高效相似度搜索和聚類，支持十億級別向量的搜索，是目前最為成熟的近似近鄰搜索庫。
接下來通過jupyter notebook的代碼，給大家演示下使用faiss的簡單流程，內容包括：
對于已經訓練好的Embedding怎樣實現高速近鄰搜索是一個工程問題，facebook的faiss庫可以構建多種embedding索引實現目標embedding的高速近鄰搜索，能夠滿足在線使用的需要
安裝命令：
conda install -c pytorch faiss-cpu
提前總結下faiss使用經驗：
1. 為了支持自己的ID，可以用faiss.IndexIDMap包裹faiss.IndexFlatL2即可
2. embedding數據都需要轉換成np.float32，包括索引中的embedding以及待搜索的embedding
3. ids需要轉換成int64類型
1. 準備數據
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…. |
構建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構建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)
# 維度
dimension = datas.shape[1]
dimension
102. 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
37064. 搜索近鄰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. 根據電影ID取出電影信息
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 |
看完上述內容，是不是對Python如何利用Faiss庫實現ANN近鄰搜索有進一步的了解，如果還想學習更多內容，歡迎關注億速云行業資訊頻道。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
