目录

背景

embedding

求最相似的 topk

结果查看

---

背景

想要求两个文本的相似度，就单纯相似度，不要语义相似度，直接使用 bert 先 embedding 然后找出相似的文本，效果都不太好，试过 bert-base-chinese，bert-wwm，robert-wwm 这些，都有一个问题，那就是明明不相似的文本却在结果中变成了相似，真正相似的有没有，

例如：手机壳迷你版，与这条数据相似的应该都是跟手机壳有关的才合理，但结果不太好，明明不相关的，余弦相似度都能有有 0.9 以上的，所以问题出在 embedding 上，找了适合做 embedding 的模型，再去计算相似效果好了很多，合理很多。

之前写了一篇 bert+np.memap+faiss文本相似度匹配 topN-CSDN博客 是把流程打通，现在是找适合文本相似的来操作。

模型：

bge-small-zh-v1.5

bge-large-zh-v1.5

embedding

数据弄的几条测试数据，方便看那些相似

我用 bge-large-zh-v1.5 来操作，embedding 代码，为了知道 embedding 进度，加了进度条功能，同时打印了当前使用 embedding 的 bert 模型输出为度，这很重要，会影响求相似的 topk

import numpy as np
import pandas as pd
import time
from tqdm.auto import tqdm
from transformers import AutoTokenizer, AutoModel
import torch


class TextEmbedder():
    def __init__(self, model_name="./bge-large-zh-v1.5"):
        # self.device = torch.device("cuda" if torch.cuda.is_available() else "cpu")  # 自己电脑跑不起来 gpu
        self.device = torch.device("cpu")
        self.tokenizer = AutoTokenizer.from_pretrained(model_name)
        self.model = AutoModel.from_pretrained(model_name).to(self.device)
        self.model.eval()

    # 没加进度条的
    # def embed_sentences(self, sentences):
    #     encoded_input = self.tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
    #     with torch.no_grad():
    #         model_output = self.model(**encoded_input)
    #         sentence_embeddings = model_output[0][:, 0]
    #     sentence_embeddings = torch.nn.functional.normalize(sentence_embeddings, p=2, dim=1)
    #
    #     return sentence_embeddings
    
    # 加进度条
    def embed_sentences(self, sentences):
        embedded_sentences = []

        for sentence in tqdm(sentences):
            encoded_input = self.tokenizer([sentence], padding=True, truncation=True, return_tensors='pt')
            with torch.no_grad():
                model_output = self.model(**encoded_input)
                sentence_embedding = model_output[0][:, 0]
            sentence_embedding = torch.nn.functional.normalize(sentence_embedding, p=2)

            embedded_sentences.append(sentence_embedding.cpu().numpy())

        print('当前 bert 模型输出维度为，', embedded_sentences[0].shape[1])
        return np.array(embedded_sentences)

    def save_embeddings_to_memmap(self, sentences, output_file, dtype=np.float32):
        embeddings = self.embed_sentences(sentences)
        shape = embeddings.shape
        embeddings_memmap = np.memmap(output_file, dtype=dtype, mode='w+', shape=shape)
        embeddings_memmap[:] = embeddings[:]
        del embeddings_memmap  # 关闭并确保数据已写入磁盘


def read_data():
    data = pd.read_excel('新建 XLSX 工作表.xlsx')
    return data['addr'].to_list()


def main():
    # text_data = ["这是第一个句子", "这是第二个句子", "这是第三个句子"]
    text_data = read_data()

    embedder = TextEmbedder()

    # 设置输出文件路径
    output_filepath = 'sentence_embeddings.npy'

    # 将文本数据向量化并保存到内存映射文件
    embedder.save_embeddings_to_memmap(text_data, output_filepath)


if __name__ == "__main__":
    start = time.time()
    main()
    end = time.time()
    print(end - start)

求最相似的 topk

使用 faiss 索引需要设置 bert 模型的维度，所以我们前面打印出来了，要不然会报错，像这样的：

ValueError: cannot reshape array of size 10240 into shape (768)

所以  print('当前 bert 模型输出维度为，', embedded_sentences[0].shape[1]) 的值换上去，我这里打印的 1024

index = faiss.IndexFlatL2(1024)  # 假设BERT输出维度是768

# 确保embeddings_memmap是二维数组，如有需要转换
if len(embeddings_memmap.shape) == 1:
    embeddings_memmap = embeddings_memmap.reshape(-1, 1024)

完整代码 

import pandas as pd
import numpy as np
import faiss
from tqdm import tqdm


def search_top4_similarities(index_path, data, topk=4):
    embeddings_memmap = np.memmap(index_path, dtype=np.float32, mode='r')

    index = faiss.IndexFlatL2(768)  # 假设BERT输出维度是768

    # 确保embeddings_memmap是二维数组，如有需要转换
    if len(embeddings_memmap.shape) == 1:
        embeddings_memmap = embeddings_memmap.reshape(-1, 768)

    index.add(embeddings_memmap)

    results = []
    for i, text_emb in enumerate(tqdm(embeddings_memmap)):
        D, I = index.search(np.expand_dims(text_emb, axis=0), topk)  # 查找前topk个最近邻

        # 获取对应的 nature_df_img_id 的索引
        top_k_indices = I[0][:topk]  #
        # 根据索引提取 nature_df_img_id
        top_k_ids = [data.iloc[index]['index'] for index in top_k_indices]

        # 计算余弦相似度并构建字典
        cosine_similarities = [cosine_similarity(text_emb, embeddings_memmap[index]) for index in top_k_indices]
        top_similarity = dict(zip(top_k_ids, cosine_similarities))

        results.append((data['index'].to_list()[i], top_similarity))

    return results


# 使用余弦相似度公式，这里假设 cosine_similarity 是一个计算两个向量之间余弦相似度的函数
def cosine_similarity(vec1, vec2):
    return np.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2))


def main_search():
    data = pd.read_excel('新建 XLSX 工作表.xlsx')
    data['index'] = data.index
    similarities = search_top4_similarities('sentence_embeddings.npy', data)

    # 输出结果
    similar_df = pd.DataFrame(similarities, columns=['id', 'top'])
    similar_df.to_csv('similarities.csv', index=False)

# 执行搜索并保存结果
main_search()

结果查看

看一看到余弦数值还是比较合理的，没有那种明明不相关但余弦值是 0.9 的情况了，这两个模型还是可以的

实际案例

以前做过一个地址相似度聚合的，找出每个地址与它相似的地址，最多是 0-3 个相似的地址（当时人工验证过的，这里直接说明）

我们用 bge-small-zh-v1.5 模型来做 embedding，这个模型维度是 512，数据是店名id，地址两列

embedding 代码：

import numpy as np
import pandas as pd
import time
from tqdm.auto import tqdm
from transformers import AutoTokenizer, AutoModel
import torch


class TextEmbedder():
    def __init__(self, model_name="./bge-small-zh-v1.5"):
        # self.device = torch.device("cuda" if torch.cuda.is_available() else "cpu")  # 自己电脑跑不起来 gpu
        self.device = torch.device("cpu")
        self.tokenizer = AutoTokenizer.from_pretrained(model_name)
        self.model = AutoModel.from_pretrained(model_name).to(self.device)
        self.model.eval()

    # 没加进度条的
    # def embed_sentences(self, sentences):
    #     encoded_input = self.tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
    #     with torch.no_grad():
    #         model_output = self.model(**encoded_input)
    #         sentence_embeddings = model_output[0][:, 0]
    #     sentence_embeddings = torch.nn.functional.normalize(sentence_embeddings, p=2, dim=1)
    #
    #     return sentence_embeddings

    def embed_sentences(self, sentences):
        embedded_sentences = []

        for sentence in tqdm(sentences):
            encoded_input = self.tokenizer([sentence], padding=True, truncation=True, return_tensors='pt')
            with torch.no_grad():
                model_output = self.model(**encoded_input)
                sentence_embedding = model_output[0][:, 0]
            sentence_embedding = torch.nn.functional.normalize(sentence_embedding, p=2)

            embedded_sentences.append(sentence_embedding.cpu().numpy())

        print('当前 bert 模型输出维度为，', embedded_sentences[0].shape[1])
        return np.array(embedded_sentences)

    def save_embeddings_to_memmap(self, sentences, output_file, dtype=np.float32):
        embeddings = self.embed_sentences(sentences)
        shape = embeddings.shape
        embeddings_memmap = np.memmap(output_file, dtype=dtype, mode='w+', shape=shape)
        embeddings_memmap[:] = embeddings[:]
        del embeddings_memmap  # 关闭并确保数据已写入磁盘


def read_data():
    data = pd.read_excel('data.xlsx')
    return data['address'].to_list()


def main():
    # text_data = ["这是第一个句子", "这是第二个句子", "这是第三个句子"]
    text_data = read_data()

    embedder = TextEmbedder()

    # 设置输出文件路径
    output_filepath = 'sentence_embeddings.npy'

    # 将文本数据向量化并保存到内存映射文件
    embedder.save_embeddings_to_memmap(text_data, output_filepath)


if __name__ == "__main__":
    start = time.time()
    main()
    end = time.time()
    print(end - start)

求 embeddgin 是串行的，要想使用 gpu ，可以需修改 embed_sentences 函数：

    def embed_sentences(self, sentences, batch_size=32):
        inputs = self.tokenizer(sentences, padding=True, truncation=True, return_tensors='pt').to(self.device)

        # 计算批次数量
        batch_count = (len(inputs['input_ids']) + batch_size - 1) // batch_size

        embeddings_list = []
        with tqdm(total=len(sentences), desc="Embedding Progress") as pbar:
            for batch_idx in range(batch_count):
                start = batch_idx * batch_size
                end = min((batch_idx + 1) * batch_size, len(inputs['input_ids']))

                current_batch_input = inputs[start:end]
                with torch.no_grad():
                    model_output = self.model(**current_batch_input)
                    sentence_embeddings = model_output[0][:, 0]
                embedding_batch = torch.nn.functional.normalize(sentence_embeddings, p=2, dim=1).cpu().numpy()

                # 将当前批次的嵌入向量添加到列表中
                embeddings_list.extend(embedding_batch.tolist())

                # 更新进度条
                pbar.update(end - start)

        # 将所有批次的嵌入向量堆叠成最终的嵌入矩阵
        embeddings = np.vstack(embeddings_list)
        return embeddings

求 topk 的，我们求 top4 就可以了

import pandas as pd
import numpy as np
import faiss
from tqdm import tqdm


def search_top4_similarities(data_target_embedding, data_ori_embedding, data_target, data_ori, topk=4):
    target_embeddings_memmap = np.memmap(data_target_embedding, dtype=np.float32, mode='r')
    ori_embeddings_memmap = np.memmap(data_ori_embedding, dtype=np.float32, mode='r')

    index = faiss.IndexFlatL2(512)  # BERT输出维度

    # 确保embeddings_memmap是二维数组，如有需要转换
    if len(target_embeddings_memmap.shape) == 1:
        target_embeddings_memmap = target_embeddings_memmap.reshape(-1, 512)
    if len(ori_embeddings_memmap.shape) == 1:
        ori_embeddings_memmap = ori_embeddings_memmap.reshape(-1, 512)

    index.add(target_embeddings_memmap)

    results = []
    for i, text_emb in enumerate(tqdm(ori_embeddings_memmap)):
        D, I = index.search(np.expand_dims(text_emb, axis=0), topk)  # 查找前topk个最近邻

        # 获取对应的 nature_df_img_id 的索引
        top_k_indices = I[0][:topk]  #
        # 根据索引提取 nature_df_img_id
        top_k_ids = [data_target.iloc[index]['store_id'] for index in top_k_indices]

        # 计算余弦相似度并构建字典
        cosine_similarities = [cosine_similarity(text_emb, target_embeddings_memmap[index]) for index in top_k_indices]
        top_similarity = dict(zip(top_k_ids, cosine_similarities))

        results.append((data_ori['store_id'].to_list()[i], top_similarity))

    return results


# 使用余弦相似度公式，这里假设 cosine_similarity 是一个计算两个向量之间余弦相似度的函数
def cosine_similarity(vec1, vec2):
    return np.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2))


def main_search():
    data_target = pd.read_excel('data.xlsx')
    data_ori = pd.read_excel('data.xlsx')

    data_target_embedding = 'sentence_embeddings.npy'
    data_ori_embedding = 'sentence_embeddings.npy'

    similarities = search_top4_similarities(data_target_embedding, data_ori_embedding, data_target, data_ori)

    # 输出结果
    similar_df = pd.DataFrame(similarities, columns=['id', 'top'])
    similar_df.to_csv('similarities.csv', index=False)


def format_res():
    similarities_data = pd.read_csv('similarities.csv')
    ori_data = pd.read_excel('data.xlsx')
    target_data = pd.read_excel('data.xlsx')

    res = pd.DataFrame()
    for index, row in similarities_data.iterrows():
        ori_id = row['id']
        tops = row['top']

        tmp_ori_data = ori_data[ori_data['store_id'] == ori_id]
        tmp_target_data = target_data[target_data['store_id'].isin(list(eval(tops).keys()))]

        res_tmp = pd.merge(tmp_ori_data, tmp_target_data, how='cross')
        res = pd.concat([res, res_tmp])
        print(f'进度 {index + 1}/{len(similarities_data)}')

    res.to_excel('format.xlsx', index=False)


# 执行搜索并保存结果
# main_search()

# 格式化
format_res()

在这里我们把原始数据当两份使用，一份作为目标数据，一份原始数据，要原始数据的每一个地址在目标数据中找相似的

最后为了人工方便查看验证，数据格式化了，开始我说了，这数据结果每个地址跟它相似的有 0-3 条，黄色的每一组，红色的是真正相似的，从结果上来看，还是符合预期的

代码链接：

链接：https://pan.baidu.com/s/1S951j1TNoN9XbRA286jU-w 
提取码：nb4b