如何更高效计算numpy.ndarray中用户行与所有物品行的点积

你的需求可以直接用numpy原生向量化操作实现，完全不需要Python层循环，还能直接得到numpy数组结果，性能提升非常明显。

实现方案 #

方案1：广播逐元素乘后按行求和（可读性最高）

直接利用numpy的广播机制，把用户向量和所有物品向量逐元素相乘，再按行求和得到点积结果，直接返回numpy.ndarray类型：

np_scores = np.sum(user_factors[user_id] * item_factors, axis=1)

方案2：矩阵乘法（性能最优，适合大维度场景）

利用矩阵乘法底层优化的特性，计算效率比方案1更高，适合物品量级大、隐向量维度高的场景：

# 写法1：@运算符（numpy版本>=1.10.0支持）
np_scores = user_factors[user_id] @ item_factors.T

# 写法2：np.dot通用写法
np_scores = np.dot(user_factors[user_id], item_factors.T)

优势说明 #

• 完全避免Python层循环，所有计算都在numpy底层C实现中完成，性能是原有循环版本的数百到数千倍，数据量越大优势越明显
• 计算结果直接是numpy.ndarray类型，省去了list转数组的额外开销

注意：以上实现默认你的user_factors维度为(用户总数, 隐向量维度)、item_factors维度为(物品总数, 隐向量维度)，如果你的存储维度顺序相反，调整转置位置即可。

内容的提问来源于stack exchange，提问作者kevin811