速度數(shù)百倍之差，有人斷言KNN面臨淘汰，更快更強(qiáng)的ANN將取而代之

作者：佚名 2020-12-22 10:10:10

在模式識(shí)別領(lǐng)域中，K - 近鄰算法（K-Nearest Neighbor, KNN）是一種用于分類和回歸的非參數(shù)統(tǒng)計(jì)方法。

在模式識(shí)別領(lǐng)域中，K - 近鄰算法（K-Nearest Neighbor, KNN）是一種用于分類和回歸的非參數(shù)統(tǒng)計(jì)方法。K - 近鄰算法非常簡(jiǎn)單而有效，它的模型表示就是整個(gè)訓(xùn)練數(shù)據(jù)集。就原理而言，對(duì)新數(shù)據(jù)點(diǎn)的預(yù)測(cè)結(jié)果是通過在整個(gè)訓(xùn)練集上搜索與該數(shù)據(jù)點(diǎn)最相似的 K 個(gè)實(shí)例（近鄰）并且總結(jié)這 K 個(gè)實(shí)例的輸出變量而得出的。KNN 可能需要大量的內(nèi)存或空間來存儲(chǔ)所有數(shù)據(jù)，并且使用距離或接近程度的度量方法可能會(huì)在維度非常高的情況下（有許多輸入變量）崩潰，這可能會(huì)對(duì)算法在你的問題上的性能產(chǎn)生負(fù)面影響。這就是所謂的維數(shù)災(zāi)難。

近似最近鄰算法（Approximate Nearest Neighbor, ANN）則是一種通過犧牲精度來換取時(shí)間和空間的方式從大量樣本中獲取最近鄰的方法，并以其存儲(chǔ)空間少、查找效率高等優(yōu)點(diǎn)引起了人們的廣泛關(guān)注。

近日，一家技術(shù)公司的數(shù)據(jù)科學(xué)主管 Marie Stephen Leo 撰文對(duì) KNN 與 ANN 進(jìn)行了比較，結(jié)果表明，在搜索到最近鄰的相似度為 99.3% 的情況下，ANN 比 sklearn 上的 KNN 快了 380 倍。

作者表示，幾乎每門數(shù)據(jù)科學(xué)課程中都會(huì)講授 KNN 算法，但它正在走向「淘汰」！

KNN 簡(jiǎn)述

在機(jī)器學(xué)習(xí)社區(qū)中，找到給定項(xiàng)的「K」個(gè)相似項(xiàng)被稱為相似性搜索或最近鄰（NN）搜索。最廣為人知的 NN 搜索算法是 KNN 算法。在 KNN 中，給定諸如手機(jī)電商目錄之類的對(duì)象集合，則對(duì)于任何新的搜索查詢，我們都可以從整個(gè)目錄中找到少量（K 個(gè)）最近鄰。例如，在下面示例中，如果設(shè)置 K = 3，則每個(gè)「iPhone」的 3 個(gè)最近鄰是另一個(gè)「iPhone」。同樣，每個(gè)「Samsung」的 3 個(gè)最近鄰也都是「Samsung」。

KNN 存在的問題

盡管 KNN 擅長(zhǎng)查找相似項(xiàng)，但它使用詳細(xì)的成對(duì)距離計(jì)算來查找鄰居。如果你的數(shù)據(jù)包含 1000 個(gè)項(xiàng)，如若找出新產(chǎn)品的 K=3 最近鄰，則算法需要對(duì)數(shù)據(jù)庫中所有其他產(chǎn)品執(zhí)行 1000 次新產(chǎn)品距離計(jì)算。這還不算太糟糕，但是想象一下，現(xiàn)實(shí)世界中的客戶對(duì)客戶（Customer-to-Customer，C2C）市場(chǎng)，其中的數(shù)據(jù)庫包含數(shù)百萬種產(chǎn)品，每天可能會(huì)上傳數(shù)千種新產(chǎn)品。將每個(gè)新產(chǎn)品與全部數(shù)百萬種產(chǎn)品進(jìn)行比較是不劃算的，而且耗時(shí)良久，也就是說這種方法根本無法擴(kuò)展。

解決方案

將最近鄰算法擴(kuò)展至大規(guī)模數(shù)據(jù)的方法是 徹底避開暴力距離計(jì)算，使用 ANN 算法。

近似最近距離算法（ANN）

嚴(yán)格地講，ANN 是一種在 NN 搜索過程中允許少量誤差的算法。但在實(shí)際的 C2C 市場(chǎng)中，真實(shí)的鄰居數(shù)量比被搜索的 K 近鄰數(shù)量要多。與暴力 KNN 相比，人工神經(jīng)網(wǎng)絡(luò)可以在短時(shí)間內(nèi)獲得卓越的準(zhǔn)確性。ANN 算法有以下幾種：

Spotify 的 ANNOY
Google 的 ScaNN
Facebook 的 Faiss
HNSW

分層的可導(dǎo)航小世界（Hierarchical Navigable Small World, HNSW）

在 HNSW 中，作者描述了一種使用多層圖的 ANN 算法。在插入元素階段，通過指數(shù)衰減概率分布隨機(jī)選擇每個(gè)元素的最大層，逐步構(gòu)建 HNSW 圖。這確保 layer=0 時(shí)有很多元素能夠?qū)崿F(xiàn)精細(xì)搜索，而 layer=2 時(shí)支持粗放搜索的元素?cái)?shù)量少了 e^-2。最近鄰搜索從最上層開始進(jìn)行粗略搜索，然后逐步向下處理，直至最底層。使用貪心圖路徑算法遍歷圖，并找到所需鄰居數(shù)量。

HNSW 圖結(jié)構(gòu)。最近鄰搜索從最頂層開始（粗放搜索），在最底層結(jié)束（精細(xì)搜索）。

HNSW Python 包

整個(gè) HNSW 算法代碼已經(jīng)用帶有 Python 綁定的 C++ 實(shí)現(xiàn)了，用戶可以通過鍵入以下命令將其安裝在機(jī)器上：pip install hnswlib。安裝并導(dǎo)入軟件包之后，創(chuàng)建 HNSW 圖需要執(zhí)行一些步驟，這些步驟已經(jīng)被封裝到了以下函數(shù)中：

<code>import hnswlib</code><code>import numpy as npdef fit_hnsw_index(features, ef=100, M=16, save_index_file=False):</code><code>    # Convenience function to create HNSW graph</code><code>    # features : list of lists containing the embeddings</code><code>    # ef, M: parameters to tune the HNSW algorithm</code><code>    </code><code>    num_elements = len(features)</code><code>    labels_index = np.arange(num_elements)    EMBEDDING_SIZE = len(features[0])    # Declaring index</code><code>    # possible space options are l2, cosine or ip</code><code>    p = hnswlib.Index(space='l2', dim=EMBEDDING_SIZE)    # Initing index - the maximum number of elements should be known</code><code>    p.init_index(max_elements=num_elements, ef_construction=ef, M=M)    # Element insertion</code><code>    int_labels = p.add_items(features, labels_index)    # Controlling the recall by setting ef</code><code>    # ef should always be > k</code><code>    p.set_ef(ef) </code><code>    </code><code>    # If you want to save the graph to a file</code><code>    if save_index_file:</code><code>         p.save_index(save_index_file)</code><code>    </code><code>    return p</code>

創(chuàng)建 HNSW 索引后，查詢「K」個(gè)最近鄰就僅需以下這一行代碼：

ann_neighbor_indices, ann_distances = p.knn_query(features, k)

KNN 和 ANN 基準(zhǔn)實(shí)驗(yàn)

計(jì)劃

首先下載一個(gè) 500K + 行的大型數(shù)據(jù)集。然后將使用預(yù)訓(xùn)練 fasttext 句子向量將文本列轉(zhuǎn)換為 300d 嵌入向量。然后將在不同長(zhǎng)度的輸入數(shù)據(jù) [1000. 10000, 100000, len（data）] 上訓(xùn)練 KNN 和 HNSW ANN 模型，以度量數(shù)據(jù)大小對(duì)速度的影響。最后將查詢兩個(gè)模型中的 K=10 和 K=100 時(shí)的最近鄰，以度量「K」對(duì)速度的影響。首先導(dǎo)入必要的包和模型。這需要一些時(shí)間，因?yàn)樾枰獜木W(wǎng)絡(luò)上下載 fasttext 模型。

<code># Imports</code><code># For input data pre-processing</code><code>import json</code><code>import gzip</code><code>import pandas as pd</code><code>import numpy as np</code><code>import matplotlib.pyplot as plt</code><code>import fasttext.util</code><code>fasttext.util.download_model('en', if_exists='ignore') # English pre-trained model</code><code>ft = fasttext.load_model('cc.en.300.bin')# For KNN vs ANN benchmarking</code><code>from datetime import datetime</code><code>from tqdm import tqdm</code><code>from sklearn.neighbors import NearestNeighbors</code><code>import hnswlib</code>

數(shù)據(jù)

使用亞[馬遜產(chǎn)品數(shù)據(jù)集]，其中包含「手機(jī)及配件」類別中的 527000 種產(chǎn)品。然后運(yùn)行以下代碼將其轉(zhuǎn)換為數(shù)據(jù)框架。記住僅需要產(chǎn)品 title 列，因?yàn)閷⑹褂盟鼇硭阉飨嗨频漠a(chǎn)品。

<code># Data: http://deepyeti.ucsd.edu/jianmo/amazon/</code><code>data = []</code><code>with gzip.open('meta_Cell_Phones_and_Accessories.json.gz') as f:</code><code>    for l in f:</code><code>        data.append(json.loads(l.strip()))# Pre-Processing: https://colab.research.google.com/drive/1Zv6MARGQcrBbLHyjPVVMZVnRWsRnVMpV#scrollTo=LgWrDtZ94w89</code><code># Convert list into pandas dataframe</code><code>df = pd.DataFrame.from_dict(data)</code><code>df.fillna('', inplace=True)# Filter unformatted rows</code><code>df = df[~df.title.str.contains('getTime')]# Restrict to just 'Cell Phones and Accessories'</code><code>df = df[df['main_cat']=='Cell Phones & Accessories']# Reset index</code><code>df.reset_index(inplace=True, drop=True)# Only keep the title columns</code><code>df = df[['title']]# Check the df</code><code>print(df.shape)</code><code>df.head()</code>

如果全部都可以運(yùn)行精細(xì)搜索，你將看到如下輸出：

亞馬遜產(chǎn)品數(shù)據(jù)集。

嵌入

要對(duì)文本數(shù)據(jù)進(jìn)行相似性搜索，則必須首先將其轉(zhuǎn)換為數(shù)字向量。一種快速便捷的方法是使用經(jīng)過預(yù)訓(xùn)練的網(wǎng)絡(luò)嵌入層，例如 Facebook [FastText] 提供的嵌入層。由于希望所有行都具有相同的長(zhǎng)度向量，而與 title 中的單詞數(shù)目無關(guān)，所以將在 df 中的 title 列調(diào)用 get_sentence_vector 方法。

嵌入完成后，將 emb 列作為一個(gè) list 輸入到 NN 算法中。理想情況下可以在此步驟之前進(jìn)行一些文本清理預(yù)處理。同樣，使用微調(diào)的嵌入模型也是一個(gè)好主意。

<code># Title Embedding using FastText Sentence Embedding</code><code>df['emb'] = df['title'].apply(ft.get_sentence_vector)# Extract out the embeddings column as a list of lists for input to our NN algos</code><code>X = [item.tolist() for item in df['emb'].values]</code>

基準(zhǔn)

有了算法的輸入，下一步進(jìn)行基準(zhǔn)測(cè)試。具體而言，在搜索空間中的產(chǎn)品數(shù)量和正在搜索的 K 個(gè)最近鄰之間進(jìn)行循環(huán)測(cè)試。在每次迭代中，除了記錄每種算法的耗時(shí)以外，還要檢查 pct_overlap，因?yàn)橐欢ū壤?KNN 最近鄰也被挑選為 ANN 最近鄰。

注意整個(gè)測(cè)試在一臺(tái)全天候運(yùn)行的 8 核、30GB RAM 機(jī)器上運(yùn)行大約 6 天，這有些耗時(shí)。理想情況下，你可以通過多進(jìn)程來加快運(yùn)行速度，因?yàn)槊看芜\(yùn)行都相互獨(dú)立。

<code># Number of products for benchmark loop</code><code>n_products = [1000, 10000, 100000, len(X)]# Number of neighbors for benchmark loop</code><code>n_neighbors = [10, 100]# Dictionary to save metric results for each iteration</code><code>metrics = {'products':[], 'k':[], 'knn_time':[], 'ann_time':[], 'pct_overlap':[]}for products in tqdm(n_products):</code><code>    # "products" number of products included in the search space</code><code>    features = X[:products]</code><code>    </code><code>    for k in tqdm(n_neighbors):   </code><code>        # "K" Nearest Neighbor search</code><code>        # KNN </code><code>        knn_start = datetime.now()</code><code>        nbrs = NearestNeighbors(n_neighbors=k, metric='euclidean').fit(features)</code><code>        knn_distances, knn_neighbor_indices = nbrs.kneighbors(X)</code><code>        knn_end = datetime.now()</code><code>        metrics['knn_time'].append((knn_end - knn_start).total_seconds())</code><code>        </code><code>        # HNSW ANN</code><code>        ann_start = datetime.now()</code><code>        p = fit_hnsw_index(features, ef=k*10)</code><code>        ann_neighbor_indices, ann_distances = p.knn_query(features, k)</code><code>        ann_end = datetime.now()</code><code>        metrics['ann_time'].append((ann_end - ann_start).total_seconds())</code><code>        </code><code>        # Average Percent Overlap in Nearest Neighbors across all "products"</code><code>        metrics['pct_overlap'].append(np.mean([len(np.intersect1d(knn_neighbor_indices[i], ann_neighbor_indices[i]))/k for i in range(len(features))]))</code><code>        </code><code>        metrics['products'].append(products)</code><code>        metrics['k'].append(k)</code><code>        </code><code>metrics_df = pd.DataFrame(metrics)</code><code>metrics_df.to_csv('metrics_df.csv', index=False)</code><code>metrics_df</code>

運(yùn)行結(jié)束時(shí)輸出如下所示。從表中已經(jīng)能夠看出，HNSW ANN 完全超越了 KNN。

以表格形式呈現(xiàn)的結(jié)果。

結(jié)果

以圖表的形式查看基準(zhǔn)測(cè)試的結(jié)果，以真正了解二者之間的差異，其中使用標(biāo)準(zhǔn)的 matplotlib 代碼來繪制這些圖表。這種差距是驚人的。根據(jù)查詢K=10 和 K=100 最近鄰所需的時(shí)間，HNSW ANN 將 KNN 徹底淘汰。當(dāng)搜索空間包含約 50 萬個(gè)產(chǎn)品時(shí)，在 ANN 上搜索 100 個(gè)最近鄰的速度是 KNN 的 380 倍，同時(shí)兩者搜索到最近鄰的相似度為 99.3%。