Fast Vector Similarity Library: 高效向量相似度计算的利器
在当今数据驱动的时代,向量相似度计算已成为数据分析、机器学习和统计等领域不可或缺的工具。Fast Vector Similarity Library应运而生,为这一关键任务提供了高效、可靠的解决方案。本文将深入探讨这个库的特性、实现原理及应用场景,帮助读者全面了解这一强大工具。
库的核心特性
Fast Vector Similarity Library 的设计初衷是提供高效的向量相似度计算。它采用Rust语言编写,确保了卓越的性能,同时通过Python绑定实现了与Python生态系统的无缝集成。这种设计使得库既能保持高性能,又能被广大Python用户方便地使用。
多样化的相似度度量
该库实现了多种常用的相似度度量方法:
-
Spearman's 秩相关系数 (
spearman_rho): 评估两个排序变量之间的单调关系强度和方向。与Pearson相关系数不同,它不假设线性关系,对异常值不敏感,适用于非线性关系。 -
Kendall's Tau 秩相关系数 (
kendall_tau): 衡量两个变量之间的序数关联。它能处理并列情况,可解释为概率,基于一致对和不一致对的差异,具有鲁棒性和通用性。 -
近似距离相关系数 (
approximate_distance_correlation): 量化变量间的线性和非线性依赖关系。它具有强大的特性,即当且仅当变量独立时为零,比传统相关性指标更全面。 -
Jensen-Shannon 相似度 (
jensen_shannon_similarity): 源自Jensen-Shannon散度,是Kullback-Leibler散度的对称平滑版本。它量化两个概率分布的相似度,特别适用于比较可能存在不重叠支撑的分布。 -
Hoeffding's D 测度 (
hoeffding_d): 非参数测度,用于检测变量间复杂的非线性关系。D统计量对各种独立性替代假设都很稳健,包括非单调关系。当变量关系未知或非常规时特别有用。
这些度量方法各具特色和适用性,为用户提供了全面的工具包,以应对不同场景下的向量相似度分析需求。
引导重采样技术
引导重采样(Bootstrapping)是该库的一大亮点,用于获得稳健的相似度估计。这一技术通过反复从观测数据中有放回地重采样来估计统计量的分布。在Fast Vector Similarity Library中,引导重采样的应用流程如下:
-
随机子集选择: 每次引导迭代都从原始向量中选择一个随机索引子集,用于创建保留原始数据结构和关系的重采样向量。
-
相似度计算: 使用选定的随机索引子集,根据所选的相似度度量计算重采样向量间的相似度。这个过程重复多次,生成相似度估计的分布。
-
稳健平均: 为获得对异常值不敏感的稳健估计器,考虑相似度估计分布的四分位范围(IQR)。仅保留IQR内的值,最小化极端值的影响。对这个范围内的值进行稳健平均,得到最终的稳健相似度估计。
引导重采样技术的优势包括:
- 对异常值的鲁棒性: 通过聚焦四分位范围和使用稳健平均,最小化了异常值的影响,使估计更可靠。
- 无模型估计: 不假设特定的底层分布,作为非参数方法,可应用于各种数据类型和相似度度量。
- 置信区间构建: 可用于构建相似度度量的置信区间,提供估计不确定性的洞察,增强可解释性。
- 深入理解关系: 通过评估相似度度量的分布,提供向量关系的全面视图,有助于捕捉数据分析中关系的细微差异。
性能优化
为实现高效计算,Fast Vector Similarity Library采用了多项性能优化策略:
-
并行计算: 利用Rust的
rayoncrate,将计算任务并行化分布到可用的CPU核心上,显著提升处理速度。 -
向量化操作: 通过
ndarraycrate提供的高效向量化操作,进一步优化计算过程。
这些优化使得库能够处理大规模数据集和高维向量,满足现代数据分析和机器学习任务的需求。
Python绑定
为了便于Python用户使用,库提供了Python绑定。主要暴露了两个函数:
py_compute_vector_similarity_stats: 计算向量相似度统计py_compute_bootstrapped_similarity_stats: 计算引导重采样的相似度统计
这些函数允许用户直接在Python环境中调用库的核心功能,无需深入了解Rust实现细节。
安装与使用
Rust项目中使用
在Rust项目中,只需将库添加到Cargo.toml文件中即可使用。
Python项目中使用
对于Python用户,可以通过pip直接安装:
pip install fast_vector_similarity
安装完成后,就可以在Python代码中导入并使用库的功能了。
实际应用示例
Fast Vector Similarity Library 不仅适用于一般的向量相似度计算,还特别适合处理来自大语言模型(如LLMs)的文本嵌入向量。以下是一个实际应用示例,展示了如何使用该库处理来自Llama2模型的文本嵌入向量:
-
文本嵌入转换为Pandas DataFrame: 首先,使用
convert_embedding_json_to_pandas_df函数将JSON格式的文本嵌入数据转换为Pandas DataFrame。每个嵌入向量与特定文本(如莎士比亚十四行诗的一句)相关联。 -
应用Fast Vector Similarity到文本嵌入:
apply_fvs_to_vector函数接收一行嵌入和一个查询嵌入,应用选定的相似度度量,并返回JSON格式的结果。 -
大数据集嵌入比较: 主要代码部分展示了如何:
- 从数据集中随机选择一个查询嵌入
- 计算查询嵌入与数据集中其他嵌入的相似度
- 创建DataFrame存储相似度结果
- 按Hoeffding's D排序并显示前10个最相似的嵌入
-
高维嵌入的兼容性: 示例使用4096维向量,展示了库处理现代语言模型典型高维数据的能力。事实上,该库可以轻松处理更高维度的向量。
import time
import numpy as np
import json
import pandas as pd
from random import choice
import fast_vector_similarity as fvs
def convert_embedding_json_to_pandas_df(file_path):
# 读取JSON文件并转换为DataFrame
# ...
def apply_fvs_to_vector(row_embedding, query_embedding):
# 应用相似度计算
# ...
def main():
# 加载嵌入到DataFrame
input_file_path = "sample_input_files/Shakespeare_Sonnets_small.json"
embeddings_df = convert_embedding_json_to_pandas_df(input_file_path)
# 选择随机查询嵌入
query_embedding_index = choice(embeddings_df.index)
query_embedding = embeddings_df.loc[query_embedding_index]
print(f"Selected query embedding for sentence: `{query_embedding_index}`")
# 从DataFrame中移除选中的行
embeddings_df = embeddings_df.drop(index=query_embedding_index)
# 对embeddings_df的每一行应用函数
json_outputs = embeddings_df.apply(lambda row: apply_fvs_to_vector(row, query_embedding), axis=1)
# 创建结果DataFrame
vector_similarity_results_df = pd.DataFrame.from_records(json_outputs)
vector_similarity_results_df.index = embeddings_df.index
# 添加所需列到DataFrame
columns = ["spearman_rho", "kendall_tau", "approximate_distance_correlation", "jensen_shannon_similarity", "hoeffding_d"]
vector_similarity_results_df = vector_similarity_results_df[columns]
# 按hoeffding_d列降序排序
vector_similarity_results_df = vector_similarity_results_df.sort_values(by="hoeffding_d", ascending=False)
print("\nTop 10 most similar embedding results by Hoeffding's D:")
print(vector_similarity_results_df.head(10))
# 运行主函数
if __name__ == "__main__":
main()
这个示例展示了Fast Vector Similarity Library在处理实际文本嵌入数据时的强大功能。它能够高效地计算大量高维向量之间的相似度,并提供直观的结果展示。
