在 TensorFlow Embedding 中有效地找到最接近的词

Question

最近，我一直在尝试找到最接近嵌入的单词。两种最值得注意的方法是余弦距离或欧几里得距离。

我正在尝试找到如何有效地计算形状为 [batch_size x embedding_size] 的张量的余弦距离

一种方法是解包张量并计算余弦距离

  #embedding is shape [vocab_size x embedding size]
  array_list = tf.unpack(batch_array)
  word_class_list = tf.unpack(embedding)
  index_list_of_closest_word = []
  for eacharray in array_list:
    list_of_distances = []
    for eachwordclass in word_class_list:
      list_of_distances.append(cosine_distance(eacharray, eachwordclass))
    index_list_of_closest_word.append(tf.argmax(tf.pack(list_of_distances)))

但是，这种方法效率极低。是否有更有效的方式来做到这一点？我知道 word2vec 的速度非常快，而 tensorflow 凭借 gpu 的强大功能，应该能够并行执行这些批量计算。

谢谢！

Answer 1

余弦相似度公式为：

---

您的输入是：

• embedding：嵌入矩阵，形状为[vocab_size, embedding_size]
• batch_array：一批嵌入，你想找到最接近的词，形状为[batch_size, embedding_size]

embedding = tf.placeholder(tf.float32, [vocab_size, embedding_size])
batch_array = tf.placeholder(tf.float32, [batch_size, embedding_size])

---

要计算余弦相似度，您可以首先对两个输入进行 L2 归一化：
（您可能想要存储 规范嵌入，因为您将经常重复使用它）

normed_embedding = tf.nn.l2_normalize(embedding, dim=1)
normed_array = tf.nn.l2_normalize(batch_array, dim=1)

然后您必须计算所有单词（总共vocab_size）与批次中的所有数组（总共batch_size）的点积：

cosine_similarity = tf.matmul(normed_array, tf.transpose(normed_embedding, [1, 0]))

您最终可以计算批次中每个元素的 argmax：

closest_words = tf.argmax(cosine_similarity, 1)  # shape [batch_size], type int64