python - 如何使用python通过余弦相似度有效地检索前K个相似文档？

Question

我正在处理十万 (100,000) 个文档(平均文档长度约为 500 个术语)。对于每个文档，我想通过余弦相似度获得前 k(例如 k = 5)个相似文档。那么如何通过Python高效做到这一点。

这是我做的:

1. 对每个文档进行文本分割，去除停用词，统计词频(tf)
2. 所以我们得到 tf 矩阵，大约 100,000 个文档 * 600000 个术语
3. 做 1 - pairwise_distances (tf_matrix, metric = "余弦")
4. 对于每个文档，获取前k个相似的文档。

我在 i5-2.5GHz 上运行我的代码，12 小时过去了，但它仍然有效。所以我想知道如何优化我的代码或过程。

这是我的想法:

1. 对每个文档，做特征选择，只保留tf > 1的词
2. 先进行聚类，然后计算每个聚类内的余弦相似度
3. 因为我只需要前 k 个相似的文档，我是否需要计算所有成对的余弦相似度？
4. python GPU 编程还是并行编程？

那么，你有什么好主意吗？

非常感谢。

---

我知道有一个 similar question ，但这不是我想要的。

---

更新1

感谢@orange ，经过profiling，我发现第2步是瓶颈!这是示例代码:

def construct_dt_matrix():
    dt_matrix = pd.DataFrame(columns=['docid'])
    docid = 0
    for f in files:
        # text segmentation for f
        # remove stop words
        # word count store in cleaned_dict = {'word': tf}
        dt_matrix.loc[docid] = [0] * dt_matrix.shape[1] # add one row, init all 0
        dt_matrix.set_value(docid, 'docid', docid)
        for key, value in cleaned_dict.items():
            if key not in dt_matrix.columns.values:
                dt_matrix[key] = 0 # add one column, init all 0
            dt_matrix.set_value(docid, key, value) # bottleneck
        docid += 1

因此，瓶颈在于向 pandas 添加新的行和列。有什么想法吗？

Answer 1

Pandas DataFrames(和底层的 numpy)只有在您一次分配数据数组时才会非常快。 set_value 需要为矩阵中的每个单元调用一次! 您可以执行 dt_matrix = pd.DataFrame(cleaned_dict) 并且您有一个带有一个函数调用的 DataFrame(忽略 Pandas 内部调用)。

改为尝试:

dt_matrix = pd.DataFrame()

for docid, f in enumerate(files):
    dt_matrix_file = pd.DataFrame(cleaned_dict)
    dt_matrix_file['docid'] = docid
    dt_matrix = dt_matrix.append(dt_matrix_file)

这应该快几个数量级。

如果您要求 NaN 单元格为零，您可以执行 dt_matrix.fillna(0)(再次调用一次，而不是潜在的 n * m)。