本文共 4400 字,大约阅读时间需要 14 分钟。
项目github地址:
欢迎大家star,留言,一起学习进步在各种算法中,向量计算是最常用的一种操作之一。传统的向量计算,学过中学数学的同学也能明白怎么做。但在现在的大数据环境下,数据一般都会比较稀疏,因此稀疏向量的计算,跟普通向量计算,还是存在一些不同。
首先,我们定义两个向量:
A = [ x 1 , x 2 , ⋯ , x n ] A=[x_1, x_2,\cdots,x_n] A=[x1,x2,⋯,xn] B = [ y 1 , y 2 , ⋯ , y n ] B=[y_1, y_2,\cdots,y_n] B=[y1,y2,⋯,yn] 定义A、B的点积为 A ∗ B A*B A∗B,要求 A ∗ B = ? A*B=? A∗B=?最直接的方式,当然就是按中学时候就学过的方法:
A ∗ B = x 1 ∗ y 1 + x 2 ∗ y 2 + ⋯ + x n ∗ y n A*B=x_1*y1 + x_2*y_2 + \cdots + x_n*y_n A∗B=x1∗y1+x2∗y2+⋯+xn∗yn 先不考虑乘法与加法的区别,也不考虑计算精度问题。如果按上述方式进行计算,总共进行了n次乘法,n-1次加法,总复杂度为2n-1。矩阵乘法的基本计算单元是向量之间的乘法,复杂度为 n 3 n^3 n3。 在现在的大数据环境之下,n可能会很大,比如在计算广告,或者文本分类中,上百万维都是很正常的。而且这种向量都有一个特点,那就是很稀疏。如果没有很稀疏这个特点,那后面自然就无从谈起了。。。对于稀疏向量,自然而然的可以想到按一下方式进行存储:
A : { < x 1 : l o c a t i o n 1 > , < x 2 : l o c a t i o n 2 > , ⋯ , < x i , l o c a t i o n i > } A:\{<x1:location1>,<x2:location2>,\cdots,<x_i,locationi>\} A:{ <x1:location1>,<x2:location2>,⋯,<xi,locationi>} B : { < y 1 : l o c a t i o n 1 > , < y 2 : l o c a t i o n 2 > , ⋯ , < y j , l o c a t i o n j > } B:\{<y1:location1>,<y2:location2>,\cdots,<y_j,locationj>\} B:{ <y1:location1>,<y2:location2>,⋯,<yj,locationj>} 因为是稀疏向量,所以 i ≪ n , j ≪ n i \ll n,j \ll n i≪n,j≪n具体在计算A*B的时候,可以在向量A中循环,然后在向量B中进行二分查找。例如,在向量A中取出第一个非零元素,假设为 < x 1 , l o c a t i o n 1 > <x1,location1> <x1,location1>,在B中对location1进行二分。如果找到,计算乘积,如果找不到,自然为0.
那我们来估算一下算法的复杂度。在B中二分的复杂度为 l o g j logj logj,A的长度为 i i i,则这部分的总复杂度为 i l o g j ilogj ilogj,加法的最大情况为 m i n ( i , j ) − 1 min(i,j)-1 min(i,j)−1,总的复杂度为 i l o g j + m i n ( i , j ) − 1 ilogj+min(i,j)-1 ilogj+min(i,j)−1当然,如果我们知道 i i i , j j j 的大小,可以在小的向量上循环,在大的向量上二分,这样复杂度可以降低为 m i n ( i , j ) l o g ( m a x ( i , j ) ) + m i n ( i , j ) − 1 min(i,j)log(max(i,j))+min(i,j)-1 min(i,j)log(max(i,j))+min(i,j)−1
如果咱们不用二分查找,而是使用hash,则二分查找部分可以变为hash。假设hash的复杂度为1,那么总的复杂度为 2 m i n ( i , j ) 2min(i,j) 2min(i,j)。当然,我们忽略了创建hash的复杂度,以及hash碰撞的复杂度。 这样,总的复杂度就由最初的 2 n − 1 2n-1 2n−1降到了 2 m i n ( i , j ) 2min(i,j) 2min(i,j)。如果n特别特别大,比如凤巢系统动不动就是号称上亿维度。这样i,j也不会特别小。如果是两个矩阵相乘,咱们前面提到的,复杂度为 n 3 n^3 n3,这样就必须上并行计算了。搞数据的同学,对并行肯定不陌生,这里不再细述了。
以上都是理论分析,为了验证实际中的运行效果,特意编写了一部分测试代码。测试代码如下
#!/usr/bin/env python#coding:utf-8'''Created on 2016年4月22日@author: lei.wang'''import time#二分查找def bin_search(num,list): low = 0 high = len(list) - 1 while(low <= high): middle = (low + high) / 2 if list[middle] > num: high = middle - 1 elif list[middle] < num: low = middle + 1 else: return middle return -1def t1(): all = 1000000 sparse_rate = 1000 vec_a = [0 for i in range(all)] vec_b = [0 for i in range(all)] list_none_zero = [sparse_rate*i for i in range(all / sparse_rate)] for i in list_none_zero: vec_a[i] = vec_b[i] = 1 sum = 0 #a,b分别不为0的位置 location_a = [i for i in range(0,all,sparse_rate)] location_b = [i for i in range(0,all,sparse_rate)] start = time.clock() for i in location_a: location = bin_search(i, location_b) #对应a不为0的位置,在b不为0的位置数组中查找是否存在 if location != -1: sum += vec_a[i] * vec_b[location_b[location]] #如果存在,将结果相加 end = time.clock() print "cost time is:",(end-start) print "sum is:",sumdef t2(): all = 1000000 sparse_rate = 1000 vec_a = [0 for i in range(all)] vec_b = [0 for i in range(all)] list_of_none_zero = [sparse_rate*i for i in range(all / sparse_rate)] for i in list_of_none_zero: vec_a[i] = vec_b[i] = 1 sum = 0 start = time.clock() for i in range(all): sum += vec_a[i] * vec_b[i] end = time.clock() print "cost time is:",(end-start) print "sum is:",sum if __name__ == '__main__': t1() print print t2()
bin_search是自己实现的二分查找,t1方法是用上面说到的二分查找的方式,t2方法就是最简单的直接遍历相乘的方式。
在mac上运行以上代码,结果如下:cost time is: 0.002319sum is: 1000cost time is: 0.123861sum is: 1000
可以看出,遍历的方式是二分查找的方式的54倍!按上述咱们的分析方式,遍历的方式应该是 2 ∗ 1 0 6 2*10^6 2∗106 的复杂度,二分查找的方式应该是 1 0 3 ∗ l o g 1000 10^3 * log1000 103∗log1000,即 1 0 4 10^4 104 左右的复杂度。二分查找的方式比遍历的方式应该要快100倍左右。根据咱们实验的结果来看,数量级上来说基本是差不多的。如果采取一些优化方式,比如用python自带的binset模块,应该会有更快的速度。
如果改变上述代码中的稀疏度,即改变sparse_rate的数值,例如将sparse_rate由1000改为10000,运行的结果如下:
cost time is: 0.000227sum is: 100cost time is: 0.118492sum is: 100
如果将sparse_rate改为100,运行的结果为:
cost time is: 0.034885sum is: 10000cost time is: 0.124176sum is: 10000
很容易看出来,对于遍历的方式来说,不管稀疏度为多少,耗时都是基本不变的。但是对于我们采用二分查找的方式来说,稀疏度越高,节省的计算资源,就越可观。
转载地址:http://fublf.baihongyu.com/