Bert文本嵌入 (BertTextEmbedding)

Java 类名：com.alibaba.alink.pipeline.nlp.BertTextEmbedding

Python 类名：BertTextEmbedding

功能介绍

把文本输入到 BERT 模型，提取某一编码层的 pooled output 作为该句子的 embedding 结果。

参数说明

名称	中文名称	描述	类型	是否必须？	取值范围	默认值
outputCol	输出结果列列名	输出结果列列名，必选	String	✓
selectedCol	选中的列名	计算列对应的列名	String	✓
bertModelName	BERT模型名字	BERT模型名字： Base-Chinese,Base-Multilingual-Cased,Base-Uncased,Base-Cased	String			“Base-Chinese”
doLowerCase	是否将文本转换为小写	是否将文本转换为小写，默认根据模型自动决定	Boolean			null
intraOpParallelism	Op 间并发度	Op 间并发度	Integer			4
layer	输出第几层 encoder layer 的结果	输出第几层 encoder layer 的结果， -1 表示最后一层，-2 表示倒数第2层，以此类推	Integer			-1
maxSeqLength	句子截断长度	句子截断长度	Integer			128
reservedCols	算法保留列名	算法保留列	String[]			null

代码示例

Python 代码

from pyalink.alink import *

import pandas as pd

useLocalEnv(1)

df_data = pd.DataFrame([
    [1, 'An english sentence.'],
    [2, '这是一个中文句子']
])

batch_data = BatchOperator.fromDataframe(df_data, schemaStr='f1 bigint, f2 string')

BertTextEmbedding() \
    .setSelectedCol("f2") \
    .setOutputCol("embedding") \
    .setLayer(-2) \
    .transform(batch_data) \
    .print()

Java 代码

import org.apache.flink.types.Row;

import com.alibaba.alink.common.MLEnvironmentFactory;
import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.pipeline.nlp.BertTextEmbedding;
import org.junit.Test;

public class BertTextEmbeddingTest {

	@Test
	public void testBertTextEmbedding() throws Exception {
		Row[] rows1 = new Row[] {
			Row.of(1L, "An english sentence."),
			Row.of(2L, "这是一个中文句子"),
		};

		BatchOperator <?> data = BatchOperator.fromTable(
			MLEnvironmentFactory.getDefault().createBatchTable(rows1, new String[] {"f1", "f2"}));

		new BertTextEmbedding()
			.setSelectedCol("f2").setOutputCol("embedding").setLayer(-2)
			.setDoLowerCase(true)
			.setIntraOpParallelism(4)
			.transform(data)
            .print();
	}
}

运行结果

f1	f2	embedding
1	An english sentence.	-0.4501993 0.06074004 0.121287264 -0.27875 0.3…
2	这是一个中文句子	-0.8317032 0.32284066 -0.12233654 -0.6955824 0…