Spark NLP中DocumentSimilarityRankerApproach处理文档相似度的维度匹配问题

问题背景

在使用Spark NLP进行文档相似度计算时，开发者可能会遇到一个典型的维度不匹配错误："The columns of A don't match the number of elements of x. A: 768, x: 1536"。这个问题通常出现在使用DocumentSimilarityRankerApproach结合句子级嵌入模型时。

问题分析

这个错误的根本原因在于维度不匹配。具体表现为：

1. BioBERT句子嵌入模型(sent_biobert_clinical_base_cased)输出的每个句子嵌入维度为768
2. 当文档包含多个句子时，DocumentSimilarityRankerApproach默认将所有句子嵌入拼接(concat)起来
3. 如果文档有2个句子，拼接后的维度就变成了1536(768x2)
4. 但BucketedRandomProjectLSHModel期望的输入维度是768(单个嵌入的维度)

技术原理

DocumentSimilarityRankerApproach内部使用LSH(局部敏感哈希)算法来计算文档相似度。LSH算法要求所有输入向量具有相同的维度，因为它需要计算向量间的距离或相似度。当输入维度不一致时，距离计算将无法进行。

解决方案

目前有以下几种可行的解决方案：

1. 移除句子分割步骤：直接使用文档级嵌入

   • 跳过SentenceDetector，让DocumentAssembler直接输出整个文档
   • 这样BertSentenceEmbeddings会输出整个文档的单一嵌入向量(维度768)

2. 使用句子级相似度计算：

   • 保持现有流程但修改后续处理
   • 将DataFrame按句子展开(explode)，使每行只包含一个句子
   • 这样每个嵌入向量都是768维

3. 等待官方更新：

   • Spark NLP团队正在开发新版本
   • 将增加参数支持选择聚合方法(如平均池化)
   • 预计在下一个版本中发布

最佳实践建议

对于当前版本的用户，推荐以下工作流程：

1. 如果关注文档级相似度：

   • 直接使用文档级嵌入
   • 简化管道，移除SentenceDetector

2. 如果必须使用句子级分析：

   • 考虑单独处理每个句子
   • 或者先计算句子相似度再聚合结果

总结

这个问题反映了NLP处理流程中维度一致性要求的重要性。Spark NLP团队已经意识到这个需求，正在开发更灵活的聚合方式。在此之前，用户可以通过调整管道设计或数据处理方式来规避这个问题。理解嵌入维度和模型期望输入之间的关系是构建有效NLP管道的关键。