Java 类名:com.alibaba.alink.pipeline.feature.MultiHotEncoder
Python 类名:MultiHotEncoder
multi-hot编码,也称多热编码,是与独热编码相对应的一种编码方式。该编码对每一个字符串特征列按照指定分隔符进行分割,分割得到的值存在m个可能值,那么经过多热编码后就变成了m个二元特征。对每一字段编码将会把该字段分割后的每一个值映射到唯一的编码。 因此,编码后的数据会变成稀疏数据,输出结果也是kv的稀疏结构。
col_0 | col_1 |
---|---|
“a b” | “1 2” |
“b c” | “1 3” |
“c d” | “1 4” |
“a d” | “3 2” |
“d e” | null |
NULL | “2 3” |
预测结果为稀疏向量:
向量中非零元个数必定为1, 只能是一个稀疏向量$5$0:1.0 4:1.0或者NULL。
预测结果为稀疏向量,是预测选择列中,各列预测为VECTOR时,按照选择顺序ASSEMBLE的结果。
$$ vectorSize = distinct token Number + enableElse(true: 1, false:0) + (handleInvalid: keep(1), skip(0), error(0)) $$
distinct token Number: 训练集中指定列的去重后的token数目
enableElse: 训练时若填写discreteThresholds或discreteThresholdsArray则为true,默认为false
handleInvalid: 预测参数
输入列为col_0
1. 如果没有填写discreteThresholds,那么enableElse为false,distinct token Number为(a,b,c,d,e)一共5个token
1.1.1 handleInvalid为keep: vectorSize=(5 + 0 + 1 = 6)
1.2.2 handleInvalid为skip: vectorSize=(5 + 0 + 0 = 5)
1.2.3 handleInvalid为error: vectorSize=(5 + 0 + 0 = 5)
2. 如果discreteThresholds为2, 那么enableElse为true, distinct token Number为(a,b,c,d,e)一共5个token
1.1.1 handleInvalid为keep: vectorSize=(5 + 1 + 1 = 7)
1.2.2 handleInvalid为skip: vectorSize=(5 + 1 + 0 = 6)
1.2.3 handleInvalid为error: vectorSize=(5 + 1 + 0 = 6)
1. 训练集中出现过的token: 预测值为模型中token对应的token_index
2. 训练集中未出现过的token:
3.1 enableElse为true
3.1.1 handleInvalid为keep: 预测值为:distinct token Number + 1
3.1.2 handleInvalid为skip: 预测值为:distinct token Number
3.1.3 handleInvalid为error: 预测值为:distinct token Number
3.2 enableElse为false
3.2.1 handleInvalid为keep: 预测值为:distinct token Number
3.2.2 handleInvalid为skip: 无index
3.2.3 handleInvalid为error: 报错
输入列为col_0
1. 如果没有填写discreteThresholds, 假设模型中a,b,c,d,e对应的token index为0,1,2,3,4
1.1 handleInvalid为keep
col_0 | Encode为VECTOR的输出 |
---|---|
“a b” | $6$0:1.0 1:1.0 |
“b c” | $6$1:1.0 2:1.0 |
“c d” | $6$3:1.0 3:1.0 |
“a d” | $6$0:1.0 3:1.0 |
“d e” | $6$0:3.0 4:1.0 |
NULL | NULL |
1.2 handleInvalid为skip
col_0 | Encode为VECTOR的输出 |
---|---|
“a b” | $5$0:1.0 1:1.0 |
“b c” | $5$1:1.0 2:1.0 |
“c d” | $5$3:1.0 3:1.0 |
“a d” | $5$0:1.0 3:1.0 |
“d e” | $5$0:3.0 4:1.0 |
NULL | NULL |
1.3 handleInvalid为error: 直接报错
名称 | 中文名称 | 描述 | 类型 | 是否必须? | 取值范围 | 默认值 |
---|---|---|---|---|---|---|
outputCols | 输出结果列列名数组 | 输出结果列列名数组,必选 | String[] | ✓ | ||
selectedCols | 选择的列名 | 计算列对应的列名列表 | String[] | ✓ | ||
delimiter | 分隔符 | 用来分割字符串 | String | “ ” | ||
discreteThresholds | 离散个数阈值 | 离散个数阈值,低于该阈值的离散样本将不会单独成一个组别。 | Integer | -2147483648 | ||
discreteThresholdsArray | 离散个数阈值数组 | 离散个数阈值,每一列对应数组中一个元素。 | Integer[] | null | ||
encode | 编码方法 | 编码方法 | String | “VECTOR”, “ASSEMBLED_VECTOR” | “ASSEMBLED_VECTOR” | |
handleInvalid | 未知token处理策略 | 未知token处理策略。“keep”表示用最大id加1代替, “skip”表示补null, “error”表示抛异常 | String | “KEEP”, “ERROR”, “SKIP” | “KEEP” | |
modelFilePath | 模型的文件路径 | 模型的文件路径 | String | null | ||
overwriteSink | 是否覆写已有数据 | 是否覆写已有数据 | Boolean | false | ||
reservedCols | 算法保留列名 | 算法保留列 | String[] | null | ||
numThreads | 组件多线程线程个数 | 组件多线程线程个数 | Integer | 1 | ||
modelStreamFilePath | 模型流的文件路径 | 模型流的文件路径 | String | null | ||
modelStreamScanInterval | 扫描模型路径的时间间隔 | 描模型路径的时间间隔,单位秒 | Integer | 10 | ||
modelStreamStartTime | 模型流的起始时间 | 模型流的起始时间。默认从当前时刻开始读。使用yyyy-mm-dd hh:mm:ss.fffffffff格式,详见Timestamp.valueOf(String s) | String | null |
from pyalink.alink import * import pandas as pd useLocalEnv(1) df = pd.DataFrame([ ["a b", 1], ["b c", 1], ["c d", 1], ["a d", 2], ["d e", 2], [None, 1] ]) inOp = BatchOperator.fromDataframe(df, schemaStr='query string, weight long') multi_hot = MultiHotEncoder().setSelectedCols(["query"]).setOutputCols(["output"]) multi_hot.fit(inOp).transform(inOp).print()
import org.apache.flink.types.Row; import com.alibaba.alink.operator.batch.BatchOperator; import com.alibaba.alink.operator.batch.source.MemSourceBatchOp; import com.alibaba.alink.pipeline.feature.MultiHotEncoder; import org.junit.Test; import java.util.Arrays; import java.util.List; public class MultiHotEncoderTest { @Test public void testMultiHotEncoder() throws Exception { List <Row> df = Arrays.asList( Row.of("a b", 1), Row.of("b c", 1), Row.of("c d", 1), Row.of("a d", 2), Row.of("d e", 2), Row.of(null, 1) ); BatchOperator <?> inOp = new MemSourceBatchOp(df, "query string, weight int"); MultiHotEncoder multi_hot = new MultiHotEncoder().setSelectedCols("query").setOutputCols("output"); multi_hot.fit(inOp).transform(inOp).print(); } }
query | weight | output |
---|---|---|
a b | 1 | $6$0:1.0 1:1.0 |
b c | 1 | $6$1:1.0 2:1.0 |
c d | 1 | $6$2:1.0 3:1.0 |
a d | 2 | $6$0:1.0 3:1.0 |
d e | 2 | $6$3:1.0 4:1.0 |
null | 1 | null |