[英]Soft cosine distance between two vectors (Python)
我想知道是否有一种好方法来计算两个数字向量之间的软余弦距离。 到目前为止,我已经看到了句子的解决方案,但是不幸的是,这对我没有帮助。
假设我有两个这样的向量:
a = [0,.25,.25,0,.5]
b = [.5,.0,.0,0.25,.25]
现在,我知道向量中的特征在它们之间表现出某种程度的相似性。 这通过以下方式描述:
s = [[0,.67,.25,0.78,.53]
[.53,0,.33,0.25,.25]
[.45,.33,0,0.25,.25]
[.85,.04,.11,0,0.25]
[.95,.33,.44,0.25,0]]
所以a
和b
是1x5
的向量, s
是一个5x5
的矩阵,描述了a
和b
中的特征有多相似。
现在,我想计算a
和b
之间的软余弦距离,但要考虑特征之间的相似性。 我找到了这个公式,它应该计算出我需要的东西:软余弦公式
我已经尝试使用 numpy 来实现它:
import numpy as np
soft_cosine = 1 - (np.dot(a,np.dot(s,b)) / (np.sqrt(np.dot(a,np.dot(s,b))) * np.sqrt(np.dot(a,np.dot(s,b)))))
它应该产生一个介于 0 和 1 之间的数字,数字越大表示 a 和 b 之间的距离越大。 但是,我在具有多个向量 a 和 b 的较大 dataframe 上运行它,并且对于某些它会产生负值。 显然,我做错了什么。
非常感谢任何帮助,我很高兴澄清需要澄清的内容!
最好的,约翰内斯
据我所知,这可能只是一个公式错误。 你能用我的试试吗?
soft_cosine = a @ (s@b) / np.sqrt( (a @ (s@a) ) * (b @ (s@b) ) )
我使用@
运算符(它是ndarrays上 np.matmul 的简写),因为我发现它更简洁:它只是矩阵乘法,无论是 1D 还是 2D。 这是计算两个一维 arrays 之间的点积的简单方法,其代码比通常的np.dot
function 少。
soft_cosine = 1 - (np.dot(a,np.dot(s,b)) / (np.sqrt(np.dot(a,np.dot(s,b))) * np.sqrt(np.dot(a,np.dot(s,b)))))
我认为你需要改变:分母既有“a”又有“b”。
soft_cosine = 1 - (np.dot(a,np.dot(s,b)) / (np.sqrt(np.dot(a,np.dot(s,a))) * np.sqrt(np.dot(a,np.dot(s,b)))))
。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.