从勾股定理到余弦相似度-程序员的数学基础
大部分程序员由于理工科的背景,有一些高数、线性代数、概率论与数理统计的数学基础。所以当机器学习的热潮来临的时候,都跃跃欲试,对机器学习的算法以及背后的数学思想有比较强烈的探索欲望。
本文的作者就是其中的一位。然而实践的过程中,又发现数学知识的理解深度有些欠缺,在理解一些公式背后的意义时,有些力不从心的感觉。因此梳理了一些数学上的知识盲点,理顺自己的知识脉络,顺便分享给有需要的人。
本文主要讲解余弦相似度的相关知识点。相似度计算用途相当广泛,是搜索引擎、推荐引擎、分类聚类等业务场景的核心点。为了理解清楚余弦相似度的来龙去脉,我将会从最简单的初中数学入手,逐步推导出余弦公式。然后基于余弦公式串讲一些实践的例子。
一、业务背景
通常我们日常开发中,可能会遇到如下的业务场景。
精准营销,图像处理,搜索引擎 这三个看似风马牛不相及的业务场景,其实面临一个共同的问题就是相似度的计算。例如精准营销中的人群扩量涉及用户相似度的计算;图像分类问题涉及图像相似度的计算,搜索引擎涉及查询词和文档的相似度计算。相似度计算中,可能由于《数学之美》的影响,大家最熟悉的应该是余弦相似度。那么余弦相似度是怎么推导出来的呢?
二、数学基础
理解余弦相似度,要从理解金字塔开始。我们知道金字塔的底座是一个巨大的正方形。例如吉萨大金字塔的边长超过230m。构造这样一个巨大的正方形,如何保证构造出来的图形不走样呢?比如如何确保构造的结果不是菱形或者梯形。
1、勾股定理
要保证构造出来的四边形是正方形,需要保证两个点:其一是四边形的边长相等;其二是四边形的角是直角。四边形的边长相等很容易解决,在工程实践中,取一根定长的绳子作为边长就可以了。如何保障直角呢?古人是利用勾股定理解决的,更切确地说是勾股定理的逆定理。
构造一个三角形,保证三角形的三边长分别是3,4,5。那么边长为5的边对应的角为直角。中国有个成语“无规矩不成方圆”,其中的矩,就是直角的尺。
勾股证明是初中数学的知识,理解很容易。证明也很简单,据说爱因斯坦11岁就发现了一种证明方法。勾股定理的证明方法据统计有超过400种, 感兴趣的同学可以自行了解。另勾股定理也是费马大定理的灵感来源,费马大定理困扰了世间智者300多年,也诞生了很多的逸闻趣事,这里不赘述。
2、余弦定理
勾股定理存在着一个很大的限制,就是要求三角形必须是直角三角形。那么对于普通的三角形,三个边存在什么样的关系呢?这就引出了余弦定理。
余弦定理指出了任意三角形三边的关系,也是初中就可以理解的数学知识,证明也比较简单,这里就略过了。
其实对于三角形,理解了勾股定理和余弦定理。就已经掌握了三角形的很多特性和秘密了。比如根据等边三角形,可以推导出cos(60)=1/2。但是如果想理解几何更多的秘密,就需要进入解析几何的世界。这个数学知识也不算很高深,高中数学知识。
这里我们理解最简单就可以了,那就是三角形在直角坐标系中的表示。所谓“横看成岭侧成峰,远近高低各不同”,我们可以理解为三角形的另一种表现形式。
比如我们可以用a,b,c三个边描述一个三角形;在平面直角坐标系中,我们可以用两个向量表示一个三角形。
3、余弦相似度
当我们引入了直角坐标系后,三角形的表示就进入了更灵活、更强大和更抽象的境界了。几何图形可以用代数的方法来计算,代数可以用几何图形形象化表示,大大降低理解难度。比如我们用一个向量来表示三角形的一个边,就可以从二维空间直接扩展到高维空间。
这里,向量的定义跟点是一样的;向量的乘法也只是各个维度值相乘累加;向量的长度看似是新的东西,其实绕了一个圈,本质上还是勾股定理,只是勾股定理从二维空间扩展到了N维空间而已。而且向量长度又是两个相同向量乘法的特例。数学的严谨性在这里体现得淋漓尽致。
结合勾股定理,余弦定理,直角坐标系,向量。我们就可以很自然地推导出余弦公式了,这里唯一的理解难点就是勾股定理和余弦定理都是用向量来表示。
得到了余弦公式后,我们该怎么理解余弦公式呢?
极端情况下,两个向量重合了,就代表两个向量完全相似。然而这里的完全相似,其实是指向量的方向。向量有方向和长度两个要素,这里只使用方向这一个要素,在实践中就埋下了隐患。但是毕竟一个数学模型建立起来了。我们可以用这个模型解决一些实际中的问题了。
所谓数学模型,有可能并不需要高深的数学知识,对外的表现也仅仅是一个数学公式。比如余弦定理这个数学模型,高中数学知识就足够理解了。而且关于模型,有这样一个很有意思的论述:“所有的数学模型都是错的,但是有些是有用的”。这里我们更多关注其有用的一面。
理解了向量夹角,那么该怎么理解向量呢?它仅仅是三角形的一条边吗?
人生有几何,万物皆向量。向量在数学上是简单的抽象,这个抽象我们可以用太多实际的场景来使它落地。比如用向量来指代用户标签,用向量来指代颜色,用向量来指代搜索引擎的逻辑...
三、业务实践
理解了余弦定理,理解了数学建模的方式。接下来我们就可以做一些有意思的事情了。比如前面提到的三个业务场景,我们可以看看如何用余弦相似度来解决。当然实际问题肯定远远要复杂得多,但是核心的思想都是类似的。
案例1:精准营销
假设一次运营计划,比如我们圈定了1w的用户,如何扩展到10万人呢?
利用余弦相似度,我们这里其实最核心的问题就是:如何将用户向量化?
将每个用户视为一个向量,用户的每个标签值视为向量的一个维度。当然这里实际工程中还有特征归一化,特征加权等细节。我们这里仅作为演示,不陷入到细节中。
对于人群,我们可以取人群中,所有用户维度值的平均值,作为人群向量。这样处理后,就可以使用余弦公式计算用户的相似度了。
我们通过计算大盘用户中每个用户跟圈定人群的相似度,取topN即可实现人群的扩量。
直接“show me the code”吧!
# -*- coding: utf-8 -*- import numpy as np import numpy.linalg as linalg def cos_similarity(v1, v2): num = float(np.dot(v1.T, v2)) # 若为行向量则 A.T * B denom = linalg.norm(v1) * linalg.norm(v2) if denom > 0: cos = num / denom # 余弦值 sim = 0.5 + 0.5 * cos # 归一化 return sim return 0 if __name__ == '__main__': u_tag_list = [ ["女", "26", "是", "白领"], ["女", "35", "是", "白领"], ["女", "30", "是", "白领"], ["女", "22", "是", "白领"], ["女", "20", "是", "白领"] ] new_user = ["女", "20", "是", "白领"] u_tag_vector = np.array([ [1, 26, 1, 1], [1, 35, 1, 1], [1, 30, 1, 1], [1, 22, 1, 1], [1, 20, 1, 1] ]) c1 = u_tag_vector[0] c1 += u_tag_vector[1] c1 += u_tag_vector[2] c1 += u_tag_vector[3] c1 += u_tag_vector[4] c1 = c1/5 new_user_v1 = np.array([1, 36, 1, 1]) new_user_v2 = np.array([-1, 20, 0, 1]) print("vector-u1: ", list(map(lambda x: '%.2f' % x, new_user_v1.tolist()[0:10]))) print("vector-u2: ", list(map(lambda x: '%.2f' % x, new_user_v2.tolist()[0:10]))) print("vector-c1: ", list(map(lambda x: '%.2f' % x, c1.tolist()[0:10]))) print("sim<u1,c1>: ", cos_similarity(c1, new_user_v1)) print("sim<u2,c1>: ", cos_similarity(c1, new_user_v2))
案例2:图像分类
有两类图片,美食和萌宠。对于新的图片,如何自动分类呢?
这里我们的核心问题是:图片如何向量化?
图片由像素构成,每个像素有RGB三个通道。由于像素粒度太细,将图片分割成大小相对的格子,每个格子定义3个维度,维度值取格子内像素均值。
参考博客: 图像基础7 图像分类——余弦相似度
下面也是给出样例代码:
# -*- coding: utf-8 -*- import numpy as np import numpy.linalg as linalg import cv2 def cos_similarity(v1, v2): num = float(np.dot(v1.T, v2)) # 若为行向量则 A.T * B denom = linalg.norm(v1) * linalg.norm(v2) if denom > 0: cos = num / denom # 余弦值 sim = 0.5 + 0.5 * cos # 归一化 return sim return 0 def build_image_vector(im): """ :param im: :return: """ im_vector = [] im2 = cv2.resize(im, (500, 300)) w = im2.shape[1] h = im2.shape[0] h_step = 30 w_step = 50 for i in range(0, w, w_step): for j in range(0, h, h_step): each = im2[j:j+h_step, i:i+w_step] b, g, r = each[:, :, 0], each[:, :, 1], each[:, :, 2] im_vector.append(np.mean(b)) im_vector.append(np.mean(g)) im_vector.append(np.mean(r)) return np.array(im_vector) def show(imm): imm2 = cv2.resize(imm, (510, 300)) print(imm2.shape) imm3 = imm2[0:50, 0:30] cv2.imshow("aa", imm3) cv2.waitKey() cv2.destroyAllWindows() imm4 = imm2[51:100, 0:30] cv2.imshow("bb", imm4) cv2.waitKey() cv2.destroyAllWindows() imm2.fill(0) def build_image_collection_vector(p_name): path = "D:\\python-workspace\\cos-similarity\\images\\" c1_vector = np.zeros(300) for pic in p_name: imm = cv2.imread(path + pic) each_v = build_image_vector(imm) a=list(map(lambda x:'%.2f' % x, each_v.tolist()[0:10])) print("p1: ", a) c1_vector += each_v return c1_vector/len(p_name) if __name__ == '__main__': v1 = build_image_collection_vector(["food1.jpg", "food2.jpg", "food3.jpg"]) v2 = build_image_collection_vector(["pet1.jpg", "pet2.jpg", "pet3.jpg"]) im = cv2.imread("D:\\python-workspace\\cos-similarity\\images\\pet4.jpg") v3 = build_image_vector(im) print("v1,v3:", cos_similarity(v1,v3)) print("v2,v3:", cos_similarity(v2,v3)) a = list(map(lambda x: '%.2f' % x, v3.tolist()[0:10])) print("p1: ", a) im2 = cv2.imread("D:\\python-workspace\\cos-similarity\\images\\food4.jpg") v4 = build_image_vector(im2) print("v1,v4:", cos_similarity(v1, v4)) print("v2,v4:", cos_similarity(v2, v4))
至于代码中用到的图片,用户可以自行收集即可。笔者也是直接从搜索引擎中截取的。程序计算的结果也是很直观的,V2(萌宠)跟图像D1的相似度为0.956626,比V1(美食)跟图像D1的相似度0.942010更高,所以结果也是很明确的。
案例3:文本检索
假设有三个文档,描述的内容如下。一个是疫情背景下,苹果公司的资讯,另外两个是水果相关的信息。输入搜索词“苹果是我最喜欢的水果”, 该怎么找到最相关的文档?
这里的核心问题也是文本和搜索词如何向量化?
这里其实可以把搜索词也视为文档,这样问题就简化成:文档如何向量化?
出于简化问题的角度,我们可以给出最简单的答案:文档由词组成,每个词作为一个维度;文档中词出现的频率作为维度值。
当然,实际操作时我们维度值的计算会更复杂一些,比如用TF-IDF。这里用词频(TF)并不影响演示效果,所以我们从简。
将文本向量化后,剩下也是依样画葫芦,用余弦公式计算相似度, 流程如下:
最后,给出代码:
# -*- coding: utf-8 -*- import numpy as np import numpy.linalg as linalg import jieba def cos_similarity(v1, v2): num = float(np.dot(v1.T, v2)) # 若为行向量则 A.T * B denom = linalg.norm(v1) * linalg.norm(v2) if denom > 0: cos = num / denom # 余弦值 sim = 0.5 + 0.5 * cos # 归一化 return sim return 0 def build_doc_tf_vector(doc_list): num = 0 doc_seg_list = [] word_dic = {} for d in doc_list: seg_list = jieba.cut(d, cut_all=False) seg_filterd = filter(lambda x: len(x)>1, seg_list) w_list = [] for w in seg_filterd: w_list.append(w) if w not in word_dic: word_dic[w] = num num+=1 doc_seg_list.append(w_list) print(word_dic) doc_vec = [] for d in doc_seg_list: vi = [0] * len(word_dic) for w in d: vi[word_dic[w]] += 1 doc_vec.append(np.array(vi)) print(vi[0:40]) return doc_vec, word_dic def build_query_tf_vector(query, word_dic): seg_list = jieba.cut(query, cut_all=False) vi = [0] * len(word_dic) for w in seg_list: if w in word_dic: vi[word_dic[w]] += 1 return vi if __name__ == '__main__': doc_list = [ """ 受全球疫情影响,3月苹果宣布关闭除大中华区之外数百家全球门店,其庞大的供应链体系也受到冲击, 尽管目前富士康等代工厂已经开足马力恢复生产,但相比之前产能依然受限。中国是iPhone生产的大本营, 为了转移风险,iPhone零部件能否实现印度制造?实现印度生产的最大难点就是,相对中国,印度制造业仍然欠发达 """, """ 苹果是一种低热量的水果,每100克产生大约60千卡左右的热量。苹果中营养成分可溶性大,容易被人体吸收,故有“活水”之称。 它有利于溶解硫元素,使皮肤润滑柔嫩。 """, """ 在生活当中,香蕉是一种很常见的水果,一年四季都能吃得着,因其肉质香甜软糯,且营养价值高,所以深受老百姓的喜爱。 那么香蕉有什么具体的功效,你了解吗? """ ] query = "苹果是我喜欢的水果" doc_vector, word_dic = build_doc_tf_vector(doc_list) query_vector = build_query_tf_vector(query, word_dic) print(query_vector[0:35]) for i, doc in enumerate(doc_vector): si = cos_similarity(doc, query_vector) print("doc", i, ":", si)
我们检索排序的结果如下:
文档D2是相似度最高的,符合我们的预期。这里我们用最简单的方法,实现了一个搜索打分排序的样例,虽然它并没有实用价值,但是演示出了搜索引擎的工作原理。
四、超越余弦
前面通过简单的3个案例,演示了余弦定理的用法,但是没有完全释放出余弦定理的洪荒之力。接下来展示一下工业级的系统中是如何使用余弦定理的。这里选取了开源搜索引擎数据库ES的内核Lucene作为研究对象。研究的问题是:Lucene是如何使用余弦相似度进行文档相似度打分?
当然,对于Lucene的实现,它有另一个名字:向量空间模型。即许多向量化的文档集合形成了向量空间。我们首先直接看公式:
很明显,实际公式跟理论公式长相差异很大。那么我们怎么理解呢?换言之,我们怎么基于理论公式推导出实际公式呢?
首先需要注意的是,在Lucene中,文档向量的特征不再是我们案例3中展示的,用的词频,而是TF-IDF。关于TF-IDF相关的知识,比较简单,主要的思路在于:
如何量化一个词在文档中的关键程度? TF-IDF给出的答案是综合考虑词频(词在当前文档中出现的次数)以及逆文档频率(词出现的文档个数)两个因素。
- 词在当前文档中出现次数(TF)越多, 词越重要
- 词在其他文档出现的次数(IDF)越少,词越独特
感兴趣的话,可以自行参考其他资料,这里不展开说明。
回到我们的核心问题: 我们怎么基于理论公式推导出实际公式呢?
四步走就可以了,如下图:
第一步:计算向量乘法
向量乘法就是套用数学公式了。这里需要注意的是,这里有两个简化的思想:
- 查询语句中不存在的词tf(t,q)=0
- 查询语句基本没有重复的词tf(t,q)=1
所以我们比较简单完成了第一步推导:
第二步: 计算查询语句向量长度|V(q)|
计算向量长度,其实就是勾股定理的使用了。只不过这里是多维空间的勾股定理。
这里取名queryNorm, 表示这个操作是对向量的归一化。这个其实是当向量乘以queryNorm后,就变成了单位向量。单位向量的长度为1,所以称为归一化,也就是取名norm。理解了这一层,看lucene源码的时候,就比较容易理解了。这正如琅琊榜的台词一样:问题出自朝堂,答案却在江湖。这里是问题出自Lucene源码,答案却在数学。
第三步:计算文档向量长度|V(d)|
这里其实是不能沿用第二步的做法的。前面已经提到,向量有两大要素:方向和长度。余弦公式只考虑了方向因素。这样在实际应用中,余弦相似度就是向量长度无关的了。
这在搜索引擎中,如果查询语句命中了长文档和短文档,按照余弦公式TF-IDF特征,偏向于对短小的文档打较高的分数。对长文档不公平,所以需要优化一下。
这里的优化思路就是采用文档词个数累积,从而降低长文档和短文档之间的差距。当然这里的业务诉求可能比较多样,所以在源码实现的时候,开放了接口允许用户自定义。借以提升灵活度。
第四步:混合用户权重和打分因子
所谓用户权重,就是指用户指定查询词的权重。例如典型地竞价排名就是人为提升某些查询词的权重。所谓打分因子,即如果一个文档中相比其它的文档出现了更多的查询关键词,那么其值越大。综合考虑了多词查询的场景。经过4步,我们再看推导出来的公式和实际公式,发现相似度非常高。
推导公式和官方公式基本就一致了。
五、总结
本文简单介绍了余弦相似度的数学背景。从埃及金字塔的建设问题出发,引出了勾股定理,进而引出了余弦定理。并基于向量推导出来了余弦公式。
接下来通过三个业务场景的例子,介绍余弦公式的应用,即数学模型如何落地到业务场景中。这三个简单的例子代码不过百行,能够帮助读者更好地理解余弦相似度。
最后介绍了一个工业级的样例。基于Lucene构建的ES是当前最火热的搜索引擎解决方案。学习余弦公式在Lucene中落地,有助于理解业界的真实玩法。进一步提升对余弦公式的理解。
六、参考文献
-
书籍《数学之美》 作者:吴军
作者:Shuai Guangying