大规模带标签的Word2Vec (HugeLabeledWord2VecTrainBatchOp)

Java 类名：com.alibaba.alink.operator.batch.huge.HugeLabeledWord2VecTrainBatchOp

Python 类名：HugeLabeledWord2VecTrainBatchOp

功能介绍

Word2Vec是Google在2013年开源的一个将词表转为向量的算法，其利用神经网络，可以通过训练，将词映射到K维度空间向量，甚至对于表示词的向量进行操作还能和语义相对应，由于其简单和高效引起了很多人的关注。

Google Word2Vec的工具包相关链接：https://code.google.com/p/word2vec/

支持metapath2vec++训练：metapath2vec: Scalable Representation Learning forHeterogeneous Networks

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
selectedCol	计算列对应的列名	计算列对应的列名	String	✓	所选列类型为 [STRING]
typeCol	节点类型列名	用来指定节点类型列	String	✓
vertexCol	节点列名	用来指定节点列	String	✓	所选列类型为 [STRING]
alpha	学习率	学习率	Double			0.025
batchSize	batch大小	batch大小, 按行计算	Integer		x >= 1
minCount	最小词频	最小词频	Integer			5
negative	负采样大小	负采样大小	Integer			5
numCheckpoint	checkPoint 数目	checkPoint 数目	Integer			1
numIter	迭代次数	迭代次数，默认为1。	Integer			1
randomWindow	是否使用随机窗口	是否使用随机窗口，默认使用	String			“true”
vectorSize	embedding的向量长度	embedding的向量长度	Integer		x >= 1	100
window	窗口大小	窗口大小	Integer			5
wordDelimiter	单词分隔符	单词之间的分隔符	String			“ ”

代码示例

Python 代码

from pyalink.alink import *

import pandas as pd

useLocalEnv(1)

tokens = pd.DataFrame([
    ["Bob Lucy Bella"]
])

nodeType = pd.DataFrame([
    ["Bob", "A"],
    ["Bella", "A"],
    ["Karry", "A"],
    ["Lucy", "B"],
    ["Alice", "B"],
    ["Lisa", "B"]
])

source = BatchOperator.fromDataframe(tokens, schemaStr='tokens string')
typed = BatchOperator.fromDataframe(nodeType, schemaStr='node string, type string')

labeledWord2vecBatchOp = HugeLabeledWord2VecTrainBatchOp() \
  .setSelectedCol("tokens")         \
  .setVertexCol("node")             \
  .setTypeCol("type")               \
  .setMinCount(1)                   \
  .setVectorSize(4)
labeledWord2vecBatchOp.linkFrom(source, typed).print()

Java 代码

import org.apache.flink.types.Row;

import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.huge.HugeLabeledWord2VecTrainBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import org.junit.Test;

import java.util.Arrays;
import java.util.List;

public class HugeLabeledWord2VecTrainBatchOpTest {
	@Test
	public void testHugeLabeledWord2VecTrainBatchOp() throws Exception {
		List <Row> tokens = Arrays.asList(
			Row.of("Bob Lucy Bella")
		);
		List <Row> nodeType = Arrays.asList(
			Row.of("Bob", "A"),
			Row.of("Bella", "A"),
			Row.of("Karry", "A"),
			Row.of("Lucy", "B"),
			Row.of("Alice", "B"),
			Row.of("Lisa", "B")
		);
		BatchOperator <?> source = new MemSourceBatchOp(tokens, "tokens string");
		BatchOperator <?> typed = new MemSourceBatchOp(nodeType, "node string, type string");
		BatchOperator <?> labeledWord2vecBatchOp = new HugeLabeledWord2VecTrainBatchOp()
			.setSelectedCol("tokens")
			.setVertexCol("node")
			.setTypeCol("type")
			.setMinCount(1)
			.setVectorSize(4);
		labeledWord2vecBatchOp.linkFrom(source, typed).print();
	}
}

运行结果

word	vec
Lucy	0.03437602147459984,-0.04761518910527229,0.012536839582026005,-0.09563367068767548
Bob	0.057709891349077225,0.08290477842092514,-0.06487766653299332,0.026675613597035408
Bella	0.02439533919095993,0.07039660215377808,-0.04170553758740425,-0.061801809817552567