如何解决scipy.sparse 矩阵的 Python 线性代数运算

简而言之：

我正在尝试在稀疏矩阵上执行线性代数运算（矩阵乘法和张量积），但遇到内存问题。
我有两个问题

关于使用 CSR 格式和 scipy.sparse 中实现的大型矩阵执行矩阵乘法（点操作）时的内存问题
第二个，如果有（大）稀疏矩阵的 numpy.tensorproduct 函数的任何实现

我对使用其他更合适的建模软件（例如 Matlab）或库（例如 tensorflow）的建议也绝对感兴趣，但我想强调的是我将需要图形算法在上述线性代数之后。

第一个问题，详情

我正在处理二部有向图的邻接表（使用 networkx）。
使用 networkx.algorithms.bipartite.matrix.biadjacency_matrix 我得到了两个在 scipy.sparse 中实现的压缩稀疏行 (CSR) 格式的稀疏矩阵 A、B。矩阵 A 和 B 的形状近似为 (1000,200000)，稀疏度约为 0.4%（约 900000 条边）。

但是，当尝试使用 dot 操作将 A 的转置乘以 B（以获得大小为 200000x200000 的矩阵）时。我收到以下内存错误

Unable to allocate 2.95 GiB for an array with shape (793134830,) and data type int32

我在这篇帖子 Scipy Sparse Matrix Consumes So Much Memory 中看到了类似的问题。
我的问题是：如何解决这个问题？

代表代码如下：

import scipy

A = scipy.sparse.random(1000,200000,density = 0.004,format = 'csr')
B = scipy.sparse.random(1000,format = 'csr')

temp = (A.transpose()).dot(B)

第二个问题，详情

稍后在代码中，我仍在使用上面定义的矩阵 A、B（形状约为 (1000,200000)，稀疏度约为 0.4%）。

我正在尝试形成这些矩阵的张量积并使用 numpy 获得对角线。如果矩阵 A 和 B 是 np.array（密集）格式（所以不是 scipy.sparse），代码将如下所示

C = numpy.diagonal(numpy.tensordot(A.T,B,axes = 0),axis1 = 0,axis2 = 2))

特别是，我试图用元素 C[i,j,k] = A[i,k] B[j,k] 构造形状为 (1000,1000,200000) 的 3 维张量 C。

当我尝试使用 numpy 的稀疏实现，即 scipy.sparse.kron（用于 kronecker 产品）时，会出现同样的问题。

scipy.sparse.kron(A.T,B)

out: MemoryError: Unable to allocate 2.67 TiB for an array with shape (735050737201,) and data type int32

对于这个线性代数运算，同样的问题：如何解决这个问题？