KD树和LSH局部敏感哈希

文档结构

文档表示

  • 词袋模型:有一些词,比如“的”,“吧”出现的频率很高,但是这些词意义不大。
  • tf-idf:在该文档局部出现的频率高,在全部文档全局出现的频率低。

距离度量

常见的距离度量有:

  • 欧氏距离:d=∑Kk=1(x1k−x2k)2−−−−−−−−−−−−−−√d=\sqrt{\sum_{k=1}^K(x_{1k}-x_{2k})^2}
  • 曼哈顿距离:d=∑Kk=1|x1k−x2k|d=\sum_{k=1}^K|x_{1k}-x_{2k}|
  • 切比雪夫距离:d=maxk|x1k−x2k|d=\max_k |x_{1k}-x_{2k}|
  • 汉明距离:两个等长的字符串将一个变成另外一个所需的最小替换数
  • 余弦相似性:d=1−x1⋅x2|x1||x2|d = 1-\frac{x_1 \cdot x_2 }{|x_1| |x_2|}
  • 内积:d=x1⋅x2d = x_1 \cdot x_2
  • 核函数:d=K(x1,x2)d = K(x_1,x_2)
  • 相关系数:d=Cov(x1,x2)σx1σx2d = \frac{Cov(x_1,x_2)}{\sigma_{x_1}\sigma_{x_2}}

不同的特征分布范围不同,对于变化范围很大的特征计算距离的时候要乘以相对较小的系数,对于变化范围小的特征计算距离的时候要乘以相对较大的系数。否则距离就会被变化范围较大的特征统治。另一种做法是先对源数据做归一化。

一般的欧式距离如下:

d(x,y)=||(x−y)T(x−y)||

d(x,y) =|| (x-y)^T(x-y) ||

考虑权重后的欧式距离如下,AA是对角阵,对角线上的元素代表该特征上的距离乘数:

d(x,y)=||(x−y)TA(x−y)||

d(x,y) =|| (x-y)^TA(x-y) ||

对于余弦相似性,需要注意几点:

  • 不是合适的距离度量,不符合三角不等式(两边之和大于第三边)
  • 计算稀疏向量的内积很有效率

对于是否需要scale向量,需要考虑下面几点:

  • 如果不scale的话,那么对同样的两篇文章,重复其内容会导致相似性变大,这与常理不符合。
  • scale的话,会忽视文章的长度,比如一篇科技论文的相似性和一篇微博的相似性会很高,但是建议阅读科技论文的读者去阅读微博是不大符合常理的。
  • 通常的做法是,cap maximum word counts,也就是设置最大的单词数
  • 以文档为例,对于文档的内容可以scale以忽略文档长度的影响,对于文档的读者数不可以scale因为它是具有切实意义的特征。

KD树

brute-force搜索的KNN复杂度太高,单次1NN的复杂度是O(N)O(N),单次KNN的复杂度是O(NlogK)O(N\log K )。如果N很大,查询次数很多的话,那么效率很低。

原理

KD树通过不断划分样本到不同的子空间,构建二叉树的结构,通过剪枝实现了效率更高的查询,在低维空间表现较好。

构建

  1. 确定split特征(更宽更广的特征;alternating)
  2. 确定split的特征值(median;center point of box)
  3. split数据到两部分
  4. 对分支的数据递归构建KD树直到到达停止条件(min leaf nodes; min box width)

每个node上需要记录以下信息:

  • split的特征
  • split的特征值
  • 该node以下包含的节点区域

查询

  1. 由根节点从上到下找到对应包含查询点的叶节点
  2. 计算该区域内的点到查询点的最小距离
  3. 回溯(backtrack)其他分支,如果该分支区域与到查询点最小距离构成的圆相交,那么进一步深入该区域查询;如果不相交,那么对该分支剪枝继续回溯,直到到达根节点。

复杂度

  • 构建的复杂度:O(NlogN)O(N\log N)
  • 单次查询的复杂度:O(logN)→O(N)O(\log N) \rightarrow O(N),复杂度与维度是指数关系。

KD树的KNN

保留距离的时候,只需要把1NN中的离查询点最小的距离改成离查询点最小的第K个距离即可。

KD树的逼近KNN

实际计算的时候,假设已获得的离查询点最近的距离是rr,那么剪枝的标准由d>rd>r变成d>r/α(α>1)d>r/\alpha(\alpha>1),相当于更容易剪枝。

这样做,虽然可能找不到最近的NN,但是可以保证一旦我们找到的NN距离是rr,那么没有其他点的距离小于r/αr/\alpha。实际中,我们定义的向量表示、距离度量都不一定是百分百地反映其本质的,所以逼近KNN通常可以取得很好的结果,关键更容易剪枝,实现了更高的查询效率。

不适用高维数据

  • 查询的复杂度随维度上升指数增长,通常要求N>>2dN>>2^d。
  • 距离对不相关的特征很敏感,高维空间中每个点都分离很远,最短距离构成的圆和很多点都相交。
  • 需要特征选择,判断哪个特征更优。

LSH

KD树实现检索有以下缺点:

  • 实现起来没那么有效
  • 复杂度随特征维度指数增加,不适合高维情况
  • 高维情况下,一旦发现了最近的点,那么以到最近的点距离为半径的超球体几乎与大多超多面体相交,导致剪枝效率不高。

LSH通过建立hash表,将数据分散到不同的部分,检索的时候只需要检索hash到的那部分的点即可。该方法提供了大概率上发现NN的方法。进一步提高NN概率的方向有两个:在当前hash表内,不仅检索当前的部分还检索周围的部分;建立多个hash表。

如下图所示,根据点在直线上下进行hash,将数据分为两部分,检索的时候只需要检索对应hash后的那部分的数据即可。

LSH潜在的问题

LSH潜在的问题如下:

  • 怎么找到好的直线(好的hash函数)
  • 最坏的情况怎么样
  • hash后的部分可能包含很多点,这样进一步检索的复杂度仍然很大

针对第一个问题,随机划分即可。在随机划分下,针对第二个问题,用一条直线划分,最坏情况的概率是θπ\frac{\theta}{\pi}。θ\theta代表NN点距离样本点的夹角。

针对第三个问题,那我多用几条直线划分,每个bin中的点就小了。

如果想进一步提高精度的话,在计算能力范围内在bin的周围多检索几个bin就可以了。

LSH算法

复杂度

LSH构建hash表的复杂度为:hash表的个数*超平面的个数*数据的维度*训练数据

LSH构建hash表后检索的复杂度为:hash表的个数*表中检索bin的个数*每个bin的数据

概率逼近

多表

如果检测三个bin,有两种方法:

  1. 建立一个表,找到检索点对应的bin后,在其周围找到两个bin。
  2. 建立三个表, 每个表各找一个bin。

一般来说,当hash表中的直线(位数)越多时,第二种方法概率保证上效果更好,缺点是需要计算多个表,计算复杂度比较高。

实际中,我们一般固定bits的位数(一个hash表中划分超平面的个数,然后增大hash表的个数。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏红色石头的机器学习之路

台湾大学林轩田机器学习基石课程学习笔记14 -- Regularization

上节课我们介绍了过拟合发生的原因:excessive power, stochastic/deterministic noise 和limited data。并...

2150
来自专栏AI启蒙研究院

【通俗理解】凸优化

983
来自专栏编程

pytorch自然语言处理之Pooling层的句子分类

Pooling作为最简单的层其实也可以作为句子分类任务。Pooling有很多种,max_Pooling,avg_Pooling,min_Pooling等。常用的...

2308
来自专栏大数据挖掘DT机器学习

机器学习模型的特性

机器学习模型中有许多种不同方法可以用来解决分类和回归问题。对同一个问题来说,这些不同模型都可以被当成解决问题的黑箱来看待。然而,每种模型都源自于不同的...

33411
来自专栏大数据挖掘DT机器学习

利用GBDT模型构造新特征具体方法

实际问题中,可直接用于机器学习模型的特征往往并不多。能否从“混乱”的原始log中挖掘到有用的特征,将会决定机器学习模型效果的好坏。引用下面一句流行的话: 特征决...

3707
来自专栏行者常至

009.python科学计算库seaborn(中)

版权声明:本文为博主原创文章,允许转载,请标明出处。 https://blog.csdn.net/qwdafedv/article/deta...

502
来自专栏机器之心

深度 | BAIR提出MC-GAN,使用GAN实现字体风格迁移

选自BAIR 作者:Samaneh Azadi 机器之心编译 参与:Nurhachu Null、路 近日,BAIR 发布博客提出 MC-GAN(Multi-Co...

3577
来自专栏数据科学学习手札

(数据科学学习手札37)ggplot2基本绘图语法介绍

  ggplot2是R语言中四大著名绘图框架之一,且因为其极高的参数设置自由度和图像的美学感,即使其绘图速度不是很快,但丝毫不影响其成为R中最受欢迎的绘图框架;...

2075
来自专栏机器学习算法与Python学习

Machine learning -- CART

1.算法介绍 分类回归树算法:CART(Classification And Regression Tree)算法采用一种二分递归分割的技术,将当前的样...

3428

用Pandas在Python中可视化机器学习数据

为了从机器学习算法中获取最佳结果,你就必须要了解你的数据。

1905

扫码关注云+社区