这篇文章主要讲解了Python如何利用Faiss库实现ANN近邻搜索，内容清晰明了，对此有兴趣的小伙伴可以学习一下，相信大家阅读完之后会有帮助。

Embedding的近邻搜索是当前图推荐系统非常重要的一种召回方式，通过item2vec、矩阵分解、双塔DNN等方式都能够产出训练好的user embedding、item embedding，对于embedding的使用非常的灵活：

输入user embedding，近邻搜索item embedding，可以给user推荐感兴趣的items输入user embedding，近邻搜搜user embedding，可以给user推荐感兴趣的user输入item embedding，近邻搜索item embedding，可以给item推荐相关的items

然而有一个工程问题，一旦user embedding、item embedding数据量达到一定的程度，对他们的近邻搜索将会变得非常慢，如果离线阶段提前搜索好在高速缓存比如redis存储好结果当然没问题，但是这种方式很不实时，如果能在线阶段上线几十MS的搜索当然效果最好。

Faiss是Facebook AI团队开源的针对聚类和相似性搜索库，为稠密向量提供高效相似度搜索和聚类，支持十亿级别向量的搜索，是目前最为成熟的近似近邻搜索库。

接下来通过jupyter notebook的代码，给大家演示下使用faiss的简单流程，内容包括：

读取训练好的Embedding数据构建faiss索引，将待搜索的Embedding添加进去取得目标Embedding，实现搜索得到ID列表根据ID获取电影标题，返回结果

对于已经训练好的Embedding怎样实现高速近邻搜索是一个工程问题，facebook的faiss库可以构建多种embedding索引实现目标embedding的高速近邻搜索，能够满足在线使用的需要

安装命令：

conda install -c pytorch faiss-cpu

提前总结下faiss使用经验：

1. 为了支持自己的ID，可以用faiss.IndexIDMap包裹faiss.IndexFlatL2即可

2. embedding数据都需要转换成np.float32，包括索引中的embedding以及待搜索的embedding

3. ids需要转换成int64类型

1. 准备数据

import pandas as pdimport numpy as np

df = pd.read_csv("./datas/movielens_sparkals_item_embedding.csv")df.head()idfeatures010[0.25866490602493286, 0.3560594320297241, 0.15…120[0.12449632585048676, -0.29282501339912415, -0…230[0.9557555317878723, 0.6764761805534363, 0.114…340[0.3184879720211029, 0.6365472078323364, 0.596…450[0.45523127913475037, 0.34402626752853394, -0….

构建ids

ids = df["id"].values.astype(np.int64)type(ids), ids.shape(numpy.ndarray, (3706,))ids.dtypedtype('int64')ids_size = ids.shape[0]ids_size3706

构建datas

import jsonimport numpy as npdatas = []for x in df["features"]: datas.append(json.loads(x))datas = np.array(datas).astype(np.float32)datas.dtypedtype('float32')datas.shape(3706, 10)datas[0]array([ 0.2586649 , 0.35605943, 0.15589039, -0.7067125 , -0.07414215, -0.62500805, -0.0573845 , 0.4533663 , 0.26074877, -0.60799956], dtype=float32)# 维度dimension = datas.shape[1]dimension10

2. 建立索引

import faissindex = faiss.IndexFlatL2(dimension)index2 = faiss.IndexIDMap(index)ids.dtypedtype('int64')index2.add_with_ids(datas, ids)index.ntotal3706

4. 搜索近邻ID列表

df_user = pd.read_csv("./datas/movielens_sparkals_user_embedding.csv")df_user.head()id featuresidfeatures010[0.5974288582801819, 0.17486965656280518, 0.04…120[1.3099910020828247, 0.5037978291511536, 0.260…230[-1.1886241436004639, -0.13511677086353302, 0….340[1.0809299945831299, 1.0048035383224487, 0.986…450[0.42388680577278137, 0.5294889807701111, -0.6…

user_embedding = np.array(json.loads(df_user[df_user["id"] == 10]["features"].iloc[0]))user_embedding = np.expand_dims(user_embedding, axis=0).astype(np.float32)user_embeddingarray([[ 0.59742886, 0.17486966, 0.04345559, -1.3193961 , 0.5313592 , -0.6052168 , -0.19088413, 1.5307966 , 0.09310367, -2.7573566 ]], dtype=float32)user_embedding.shape(1, 10)user_embedding.dtypedtype('float32')topk = 30D, I = index.search(user_embedding, topk) # actual searchI.shape(1, 30)Iarray([[3380, 2900, 1953, 121, 3285, 999, 617, 747, 2351, 601, 2347, 42, 2383, 538, 1774, 980, 2165, 3049, 2664, 367, 3289, 2866, 2452, 547, 1072, 2055, 3660, 3343, 3390, 3590]])

5. 根据电影ID取出电影信息

target_ids = pd.Series(I[0], name="MovieID")target_ids.head()0 33801 29002 19533 1214 3285Name: MovieID, dtype: int64df_movie = pd.read_csv("./datas/ml-1m/movies.dat", sep="::", header=None, engine="python", names = "MovieID::Title::Genres".split("::"))df_movie.head()MovieIDTitleGenres01Toy Story (1995)Animation|Children's|Comedy12Jumanji (1995)Adventure|Children's|Fantasy23Grumpier Old Men (1995)Comedy|Romance34Waiting to Exhale (1995)Comedy|Drama45Father of the Bride Part II (1995)Comedy

df_result = pd.merge(target_ids, df_movie)df_result.head()MovieIDTitleGenres03380Railroaded! (1947)Film-Noir12900Monkey Shines (1988)Horror|Sci-Fi21953French Connection, The (1971)Action|Crime|Drama|Thriller3121Boys of St. Vincent, The (1993)Drama43285Beach, The (2000)Adventure|Drama

看完上述内容，是不是对Python如何利用Faiss库实现ANN近邻搜索有进一步的了解，如果还想学习更多内容，欢迎关注亿速云行业资讯频道。