©PaperWeekly 原创 · 作者 | Yunpeng Tai
主页 | https://yunpengtai.top/
在机器学习中，我们通常会面临一个问题：给定一个集合 ，从中寻找 个样本构成子集 ，尽量使得子集的质量高同时多样性好。比如在推荐系统中，我们就希望给用户推荐的东西尽可能的有质量，同时具有差异性。
而使得采样的子集尽可能具备多样性便是行列式点过程（Determinantal Point Process）大展身手的地方，俗称 DPP。
边缘分布
首先引入 DPP 的边缘分布定义，当我们某次采样出子集，「包括」 的概率：
是核矩阵（Kernel Matrix），即：
是由 中元素构成的子矩阵，举个例子，假如 ，那么：
当 越大，则 同时出现在 的概率就越小，从这个角度想，核函数应该是呈现出某种相似性。
从正定性出发，严格的定义如下是：
举个例子：
其特征值为 ，不满足 ，即不是半正定矩阵。
L-Ensemble
然而，上面边缘定义只是告诉我们采样时，某个子集被「包括」的概率，并非就是这个子集，而这个问题可以通过 L-Ensemble 去解
这里的 省略了下标，跟上面的 一样，是跟 元素相关的子矩阵。 矩阵的核函数是内积是 ，。
注意，这里指的不是概率，而是说概率「正比于」 矩阵的行列式，那么如何计算概率呢？也就是说我们得计算一个归一化常数（normalization constant），可以类比抛硬币，我们得去求总的抛起次数，除以它才能得到概率。
引入下述定理：
其中 是将单位矩阵中与 相关元素全部置零，举个例子，当 时：
那么如何求归一化常数呢，即将 ，当 为空集时，便包括了所有的情况，即：
另外，L-Emsemble 的 对应关系如下：
直观解释
那么，行列式与多样性的直观解释是什么呢？
多样性和相似性的意思正好相反，通常我们会定义相似性为两个向量之间做点积，即为 ，直观上看，两向量夹角的余弦值 越大，相似性越高，反过来看，当 最小即为两者相似性最差，多样性最好。显然，当两向量正交时多样性最好。
那么，对于一个子集 而言，该如何定义它的多样性呢？不难想出，可以通过线性无关向量的数量来定义，若两两都互不线性相关，此时的子集的多样性是最好的。直观上可以转换为构成的超平行体的体积，下方为 时的示意图。
为什么呢？可以拿平行六面体为例，若其中一个向量与其他向量线性相关，那么则会坍缩成一个平面，构不成平行六面体
只有当所有向量两两都线性无关时，构成的超平行体体积最大，即多样性最好。
而行列式可以表示体积，下式中 代表体积（volume），此时 ， 为方阵
也就是说，我们可以通过行列式的大小来定义多样性。
那么， 的行列式是否也跟体积有关呢？答案是肯定的：
接下来证明这一结论：
由于 ，因为 维空间至多存在 个两两线性无关的向量，那么肯定存在一个 维子空间 ，存在正交矩阵 ，对向量 进行旋转，使得 都落在子空间 上。不妨设 的基底是前 个标准正交基，那么：
， 一共有 个，因为用 的基底向量表示，后面只能为，将 当作 的列，就有：
显然， 与 两者体积相等。
那么：
由于对超平面体进行旋转不改变其体积（注意，这里是旋转而不是一般的线性变换，一般的线性变换不具备该性质）。
那么：
又因为 正交矩阵，即 ，那么：
所以：
从 L-Emsemble 角度看，被采样的概率正比于构成的超平面体的体积，即两两之间线性无关更容易被采样出。
Demo
接下来我们用例子来看一下是否 DPP 能够采样出更有多样性的子集。
from torch import det, eye
from transformers import set_seed
from transformers import BertModel, BertTokenizer
set_seed(42)
pretrain_path = "fabriceyhc/bert-base-uncased-imdb"
model = BertModel.from_pretrained(pretrain_path).cuda()
tk = BertTokenizer.from_pretrained(pretrain_path)
input_text = [
"I am happy because the weather is extremely good!",
"I hate the bad weather",
"The weather is extremely good!",
]
inputs = tk(input_text, max_length=128, return_tensors="pt", truncation=True, padding=True)
inputs = {k: v.cuda() for k, v in inputs.items()}
outputs = model(**inputs).pooler_output.T
vtv = outputs.T @ outputs
group_12 = vtv[:2][:, [0, 1]]
I = eye(2).cuda()
p_12 = det(group_12) / det(group_12 + I)
group_13 = vtv[[0, 2]][:, [0, 2]]
p_13 = det(group_13) / det(group_13 + I)
print('采样到第一个和第二个的概率：%f'%p_12)
print('采样到第一个和第三个的概率：%f'%p_13)
# 采样到第一个和第二个的概率：0.983567
# 采样到第一个和第三个的概率：0.923823然而，对于一个大小为 的集合，一共有 种组合，如何快速地进行 DPP 的计算以及如何最快找到大小为 的多样性最大的子集是比较困难的，留给下文。
问题
先规定一些术语：记选中元素构成的集合为 ，未选中构成的元素记为 ， 是核矩阵（核函数是内积）， 是由集合 的元素构成的子矩阵。
在上文中我们提到在大小为 的集合里去挑选 个物品构成集合 ，使得 最大便是我们的目标，然而，怎么去里面挑选 却是 NP-Hard 问题，为此，Chen et al., 2018 提出了一篇比较巧妙的贪婪算法作为近似解，并且整个算法的复杂仅有 。
暴力求解
我们人为规定了要选择 个，这相当于是一种前验分布，那么 k-DPP 其实就是最大化后验概率（MAP）的一种，每一步的目标就是选择会让新矩阵的行列式变得最大的元素。
对于一个 的方阵而言，求它的行列式需要 （每一轮消元的复杂度是 ，而要进行 轮消元）。
这里的话，每次要对 所有的元素求一次行列式，而行列式的为 ，同时需要选 个，复杂度变为了 ，即为 ，暴力求解的话复杂度很大，此时原作者便提出了利用 Cholesky 分解的方式来进行求解，巧妙地将复杂度降到了 。
Cholesky分解
是对称半正定矩阵，证明如下：
那么 存在 Cholesky 分解，即 ，这里的 是大小为 的下三角矩阵， 比 多了一行和一列，即为：
而这里默认每个向量是经过归一化的，即 ，那么 的 Cholesky 分解即为下式，其中 ：
结合上面两式：
可得：
那么：
这样我们一开始的优化目标就可以简化为：
接下来，当我们得到 时，便可以算出 ，那么添加 之后的新集合 的 Cholesky 分解便可以求得：
增量更新
接下来便是重头戏，这一轮我们已经得到了最好的 了，下一轮我们怎么求出最大的 呢？
可以利用之前求出的 来获取当前的 ，这便是论文的核心：增量更新
在我们选择了 后， 多了一个元素，不妨记 ，回忆上面的式子：
也就是说，其中 就是第 个元素与集合 对应向量做内积的结果。
那么，类比一下， 是 的 Cholesky 分解。
继而：
求出 之后，我们便可以求出 ：
流程
那我们来分析一下复杂度，每选一个 需要进行 次操作，而 ，也就是 ，得进行 次迭代，那么总的复杂度即为 ，由 降到 ，是不错的进步。
代码
熟悉了整个流程之后，代码想必也是呼之欲出了。
import math
import numpy as np
def fast_map_dpp(kernel_matrix, max_length):
cis = np.zeros((max_length, kernel_matrix.shape[0]))
di2s = np.copy(np.diag(kernel_matrix))
selected = np.argmax(di2s)
selected_items = [selected]
while len(selected_items) < max_length:
idx = len(selected_items) - 1
ci_optimal = cis[:idx, selected]
di_optimal = math.sqrt(di2s[selected])
elements = kernel_matrix[selected, :]
eis = (elements - ci_optimal @ cis[:idx, :]) / di_optimal
cis[idx, :] = eis
di2s -= np.square(eis)
di2s[selected] = -np.inf
selected = np.argmax(di2s)
selected_items.append(selected)
return selected_items这里实现比较有趣的点就是，尽管伪代码中是 ，这里其实是全部算了，但他对已选的进行了后处理，置之为 。
接下来我们实操一下，从句子对匹配 BQ Corpus（Bank Question Corpus）拿出一条来看一下效果，首先是将其用预训练模型转换为表征向量，接着进行归一化操作，为了更好地看出 DPP 的效果，我们先用最大化内积来召回 50 个样本，再用 DPP 从这里召回 10 个具有多样性的样本：
原句：我现在申请微粒货？
['我现在申请微粒货？', '申请微贷粒', '申请微贷粒', '我想申请微粒贷', '可以么想申请微粒贷', '微粒貸申请', '微粒貸申请', '如何申请微粒', '我现在需要申请', '我可以申请微粒贷吗', '怎么申请微粒货', '微粒貸申请', '如何申请微粒', '我可以申请微粒贷吗', '什么情况下才能申请微粒', '我要求申请', '开通微粒货', '开通微粒貨', '开通微粒货', '可以申请开通吗', '开通微粒货', '开通微粒货', '怎么申请微粒货', '申请贷款', '如何申请微粒贷', '怎么申请微粒货', '开通微粒貨', '如何申请微粒', '想办理微粒贷业务', '申请贷款', '可以申请开通吗', '我要微粒贷', '我要微粒贷', '可以么想申请微粒贷', '开通微米粒', '想开通', '我要微粒贷', '如何申请微粒', '想开通', '开通微粒貨', '开通粒微贷', '何时才能申请啊', '现在想获取资格', '怎么申请微粒货', '开通申请', '开通', '开通', '你好我申请借款', '开通微']可以看到有不少重复且意思一样的样本：
接着看 DPP 的效果：
['我现在申请微粒货？', '开通', '何时才能申请啊', '怎么申请微粒货', '你好我申请借款', '现在想获取资格', '我可以申请微粒贷吗', '我要微粒贷', '微粒貸申请', '什么情况下才能申请微粒']可以发现里面没有重复的情况，而且语义具备多样性，而值得注意的是，此时就有一些和我们的原句意思不匹配的情况，在应用时可以自定义新的 kernel，让它同时注意相似性和多样性；或者可以对 DPP 的样本进行后处理等。
Sliding Window
当 相当大的时候，就会有相似的样本开始出现，即超平行体会开始坍缩，不妨我们将 缩小成一个滑动窗口 ，我们仅仅需要保证窗口内的样本具备多样性即可，即：
推荐系统中有短序推荐（Short Sequence Recommendation）的说法，推荐的时候只考虑用户短期内的一些行为，而长序推荐会考虑一个较长时间跨度来进行推荐。
Window size 的选择也是比较重要的，不妨看一些 demo：
如果我们的目的是为了通过 Sliding Window 获取与直接 DPP 召回不一样的结果，窗口的大小要适当地小一些，然而小了导致看的范围小了，很有可能最后结果出现重复的情况，最好是将窗口设置到召回样本数目的 。
同时，为了防止样本重复，可以多召回一些，比较直觉的做法可以再加上一个 window 的大小，然后去重：
w/o window
['开通', '怎么申请微粒货', '何时才能申请啊', '现在想获取资格', '我要微粒贷', '微粒貸申请', '我可以申请微粒贷吗', '什么情况下才能申请微粒', '你好我申请借款', '我现在申请微粒货？']w/ window
['开通', '开通申请', '怎么申请微粒货', '何时才能申请啊', '现在想获取资格', '我要微粒贷', '我可以申请微粒贷吗', '可以申请开通吗', '如何申请微粒', '我现在申请微粒货？']可以看到会有 3 个不一样的样本，还是比较有效的。
更多阅读
#投 稿 通 道#
让你的文字被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。
📝 稿件基本要求：
• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注
• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题
• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算
📬 投稿通道：
• 投稿邮箱：hr@paperweekly.site
• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿
△长按添加PaperWeekly小编
🔍
现在，在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
·
·
