稀疏向量计算优化小结

项目github地址：bitcarmanlee easy-algorithm-interview-and-practice
欢迎大家star，留言，一起学习进步

在各种算法中，向量计算是最常用的一种操作之一。传统的向量计算，学过中学数学的同学也能明白怎么做。但在现在的大数据环境下，数据一般都会比较稀疏，因此稀疏向量的计算，跟普通向量计算，还是存在一些不同。

首先，我们定义两个向量：
$A=[x_1,x_2,\cdots ,x_n]$
$B=[y_1,y_2,\cdots ,y_n]$
定义A、B的点积为$A\ast B$，要求$A\ast B=?$

最简单粗暴的方式

最直接的方式，当然就是按中学时候就学过的方法：
$A\ast B=x_1\ast y1+x_2\ast y_2+\cdots +x_n\ast y_n$
先不考虑乘法与加法的区别，也不考虑计算精度问题。如果按上述方式进行计算，总共进行了n次乘法，n-1次加法，总复杂度为2n-1。矩阵乘法的基本计算单元是向量之间的乘法，复杂度为$n^3$。
在现在的大数据环境之下，n可能会很大，比如在计算广告，或者文本分类中，上百万维都是很正常的。而且这种向量都有一个特点，那就是很稀疏。如果没有很稀疏这个特点，那后面自然就无从谈起了。。。

第一种思路

对于稀疏向量，自然而然的可以想到按一下方式进行存储：
A : { < x 1 : l o c a t i o n 1 > , < x 2 : l o c a t i o n 2 > , ⋯   , < x i , l o c a t i o n i > } A:\{<x1:location1>,<x2:location2>,\cdots,<x_i,locationi>\} A:{<x1:location1>,<x2:location2>,⋯,<xi​,locationi>}
B : { < y 1 : l o c a t i o n 1 > , < y 2 : l o c a t i o n 2 > , ⋯   , < y j , l o c a t i o n j > } B:\{<y1:location1>,<y2:location2>,\cdots,<y_j,locationj>\} B:{<y1:location1>,<y2:location2>,⋯,<yj​,locationj>}
因为是稀疏向量，所以 $i\ll n,j\ll n$

具体在计算A*B的时候，可以在向量A中循环，然后在向量B中进行二分查找。例如，在向量A中取出第一个非零元素，假设为$<x1,location1>$，在B中对location1进行二分。如果找到，计算乘积，如果找不到，自然为0.
那我们来估算一下算法的复杂度。在B中二分的复杂度为$logj$，A的长度为$i$,则这部分的总复杂度为$ilogj$，加法的最大情况为$min(i,j)-1$,总的复杂度为$ilogj+min(i,j)-1$

继续优化

当然，如果我们知道$i$ , $j$ 的大小，可以在小的向量上循环，在大的向量上二分，这样复杂度可以降低为 $min(i,j)log(max(i，j))+min(i,j)-1$
如果咱们不用二分查找，而是使用hash，则二分查找部分可以变为hash。假设hash的复杂度为1，那么总的复杂度为$2min(i,j)$。当然，我们忽略了创建hash的复杂度，以及hash碰撞的复杂度。
这样，总的复杂度就由最初的$2n-1$降到了$2min(i,j)$。

并行

如果n特别特别大，比如凤巢系统动不动就是号称上亿维度。这样i,j也不会特别小。如果是两个矩阵相乘，咱们前面提到的，复杂度为$n^3$，这样就必须上并行计算了。搞数据的同学，对并行肯定不陌生，这里不再细述了。

代码验证

以上都是理论分析，为了验证实际中的运行效果，特意编写了一部分测试代码。测试代码如下

#!/usr/bin/env python
#coding:utf-8

'''
Created on 2016年4月22日

@author: lei.wang
'''

import time

#二分查找
def bin_search(num,list):
    low = 0
    high = len(list) - 1
    while(low <= high):
        middle = (low + high) / 2
        if list[middle] > num:
            high = middle - 1
        elif list[middle] < num:
            low = middle + 1
        else:
            return middle
    return -1

def t1():
    all = 1000000
    sparse_rate = 1000
    vec_a = [0 for i in range(all)]
    vec_b = [0 for i in range(all)]
    
    list_none_zero = [sparse_rate*i for i in range(all / sparse_rate)]
    for i in list_none_zero:
        vec_a[i] = vec_b[i] = 1
    
    sum = 0
    
    #a,b分别不为0的位置
    location_a = [i for i in range(0,all,sparse_rate)]
    location_b = [i for i in range(0,all,sparse_rate)]
    
    start = time.clock()
    for i in location_a:
        location = bin_search(i, location_b) #对应a不为0的位置，在b不为0的位置数组中查找是否存在
        if location != -1:
            sum += vec_a[i] * vec_b[location_b[location]] #如果存在，将结果相加
    end = time.clock()
        
    print "cost time is:",(end-start)
    print "sum is:",sum

def t2():
    all = 1000000
    sparse_rate = 1000
    vec_a = [0 for i in range(all)]
    vec_b = [0 for i in range(all)]
    
    list_of_none_zero = [sparse_rate*i for i in range(all / sparse_rate)]
    for i in list_of_none_zero:
        vec_a[i] = vec_b[i] = 1
    
    sum = 0
    
    start = time.clock()
    for i in range(all):
        sum += vec_a[i] * vec_b[i]
    end = time.clock()
    
    print "cost time is:",(end-start)
    print "sum is:",sum       
    
if __name__ == '__main__':
    t1()
    print
    print
    t2()

bin_search是自己实现的二分查找，t1方法是用上面说到的二分查找的方式，t2方法就是最简单的直接遍历相乘的方式。
在mac上运行以上代码，结果如下：

cost time is: 0.002319
sum is: 1000


cost time is: 0.123861
sum is: 1000

可以看出，遍历的方式是二分查找的方式的54倍！按上述咱们的分析方式，遍历的方式应该是$2\ast 10^6$ 的复杂度，二分查找的方式应该是$10^3\ast log1000$，即$10^4$ 左右的复杂度。二分查找的方式比遍历的方式应该要快100倍左右。根据咱们实验的结果来看，数量级上来说基本是差不多的。如果采取一些优化方式，比如用python自带的binset模块,应该会有更快的速度。

如果改变上述代码中的稀疏度，即改变sparse_rate的数值，例如将sparse_rate由1000改为10000，运行的结果如下：

cost time is: 0.000227
sum is: 100


cost time is: 0.118492
sum is: 100

如果将sparse_rate改为100，运行的结果为：

cost time is: 0.034885
sum is: 10000


cost time is: 0.124176
sum is: 10000

很容易看出来，对于遍历的方式来说，不管稀疏度为多少，耗时都是基本不变的。但是对于我们采用二分查找的方式来说，稀疏度越高，节省的计算资源，就越可观。