实现《A Three-Layered Mutually Reinforced Model》中B矩阵时得向量而非方阵

嘿，我来帮你搞定这个问题！你要实现《A Three-Layered Mutually Reinforced Model for Personalized Citation Recommendation》第4页的B方阵，但代码跑出来是向量，核心问题出在逻辑误解和代码错误上，咱们一步步拆解：

1. 最明显的错误：嵌套调用余弦距离完全不符合逻辑 #

你代码里的这行是硬伤：

spatial.distance.cosine(spatial.distance.cosine(query, model.docvecs[i]), model.docvecs[i])

spatial.distance.cosine(a, b)要求输入的a和b是同维度的向量，但第一层cosine返回的是一个标量（比如0.3这样的单个数值），你把标量和多维的文档向量传进去，numpy会自动广播标量成和向量同长度的数组，但这完全不是论文公式要计算的内容！

你应该是想计算query和每个文档向量的余弦相似度（或距离），所以直接改成单层调用就行：

# 余弦距离（范围0-2）
spatial.distance.cosine(query, model.docvecs[i])
# 如果论文用的是相似度（范围0-1），就转一下：
1 - spatial.distance.cosine(query, model.docvecs[i])

2. 误解了B矩阵的结构：为什么你得到的是向量？ #

你当前的代码是循环每个文档i，计算一个值，最终得到长度为Docs_len的向量，但论文里的B是方阵（假设维度是N×N，N=Docs_len）。根据论文的“三层互增强”定位，B的结构通常有两种可能，对应不同的实现方式：

情况一：B是文档-文档的个性化相似性矩阵 #

如果B的元素B_ij表示结合query个性化信息后，文档i和文档j的相关性，那需要双重循环遍历所有文档对：

def eq_b(query_vec):
    # 初始化N×N的零矩阵
    b_matrix = np.zeros((Docs_len, Docs_len))
    for i in range(Docs_len):
        doc_i = model.docvecs[i]
        # 先计算query与文档i的个性化相似度
        sim_q_i = 1 - spatial.distance.cosine(query_vec, doc_i)
        for j in range(Docs_len):
            doc_j = model.docvecs[j]
            # 计算文档i与文档j的基础相似度
            sim_i_j = 1 - spatial.distance.cosine(doc_i, doc_j)
            # 按照论文公式结合两个相似度（这里是示例，要严格匹配论文定义）
            b_matrix[i][j] = sim_q_i * sim_i_j
    # 按行归一化（匹配论文的归一化要求）
    row_sums = b_matrix.sum(axis=1, keepdims=True)
    return b_matrix / row_sums

情况二：B是query-文档相似度构成的对角矩阵 #

如果B是对角矩阵（仅对角线元素有值，B_ii表示query与文档i的相似度，其余为0），那代码可以简化为：

def eq_b(query_vec):
    # 计算query与每个文档的余弦相似度
    sim_scores = np.array([1 - spatial.distance.cosine(query_vec, model.docvecs[i]) for i in range(Docs_len)])
    # 归一化后构造对角矩阵
    normalized_sim = sim_scores / sim_scores.sum()
    b_matrix = np.diag(normalized_sim)
    return b_matrix

3. 验证归一化方式 #

你当前的代码是把整个向量的总和作为分母归一化，但如果是方阵，通常是按行/按列归一化，这要严格对应论文里的公式说明，别搞错了！

修正后的完整示例代码 #

假设B是对角矩阵的情况，完整代码如下：

querySplit = query.split(',')
queryText = querySplit[0]
qt_tag = word_tokenize(queryText.rstrip().lower().translate(translator))
qt_vector = model.infer_vector(qt_tag)

def eq_b(query_vec):
    # 计算query与每个文档的余弦相似度（转换为0-1范围）
    sim_scores = np.array([1 - spatial.distance.cosine(query_vec, model.docvecs[i]) for i in range(Docs_len)])
    # 归一化后构造对角矩阵
    normalized_sim = sim_scores / sim_scores.sum()
    b_matrix = np.diag(normalized_sim)
    return b_matrix

b = eq_b(qt_vector)
print("B矩阵的形状：", b.shape)  # 应该输出 (Docs_len, Docs_len)
print("B矩阵：", b)

内容的提问来源于stack exchange，提问作者BiSarfraz