大规模Word2Vec (HugeWord2VecTrainBatchOp)

Java 类名：com.alibaba.alink.operator.batch.huge.HugeWord2VecTrainBatchOp

Python 类名：HugeWord2VecTrainBatchOp

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。

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

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]
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([
    ["A B C"]
])

source = BatchOperator.fromDataframe(tokens, schemaStr='tokens string')

word2vecBatchOp = HugeWord2VecTrainBatchOp() \
  .setSelectedCol("tokens")         \
  .setMinCount(1)                   \
  .setVectorSize(4)
word2vecBatchOp.linkFrom(source).print()

Java 代码

import org.apache.flink.types.Row;

import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.huge.HugeWord2VecTrainBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import org.junit.Test;

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

public class HugeWord2VecTrainBatchOpTest {
	@Test
	public void testHugeWord2VecTrainBatchOp() throws Exception {
		List <Row> tokens = Arrays.asList(
			Row.of("A B C")
		);
		BatchOperator <?> source = new MemSourceBatchOp(tokens, "tokens string");
		BatchOperator <?> word2vecBatchOp = new HugeWord2VecTrainBatchOp()
			.setSelectedCol("tokens")
			.setMinCount(1)
			.setVectorSize(4);
		word2vecBatchOp.linkFrom(source).print();
	}
}

运行结果

word	vec
A	0.024366257712244987,0.07037621736526489,-0.04168345779180527,-0.06180821731686592
B	0.05771925672888756,0.08288027346134186,-0.06486544758081436,0.026565641164779663
C	0.034414440393447876,-0.047638311982154846,0.012538374401628971,-0.09579437971115112

备注

如果不输入vecTable的情况下是随机初始化，可能会造成两次结果相同的item的embedding结果绝对值差别比较大，请注意