NGram (NGramStreamOp)

Java 类名:com.alibaba.alink.operator.stream.nlp.NGramStreamOp

Python 类名:NGramStreamOp

功能介绍

对每行文本生成对应的 NGram 结果。

算法原理

N-Gram 是一种基于统计语言模型的算法,它将文本里面的内容进行大小为 N 的滑动窗口操作,形成了长度是 N 的片段序列。

使用方式

该组件对于文本内容列(SelectedCol)中的每一行文本进行 N-Gram 处理,产生一行输出。 N 的值通过参数 n 设置。

输入每行文本中各个词语间需要以空格进行分割,可以使用分词(SegmentBatchOp)组件的输出结果列 输出一行中包含多个 N-Gram 结果,各个结果间用空格分隔;单个结果中各个词语间用下划线连接。

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 选中的列名 计算列对应的列名 String 所选列类型为 [STRING]
n nGram长度 nGram长度 Integer 2
outputCol 输出结果列 输出结果列列名,可选,默认null String null
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

代码示例

Python 代码

df = pd.DataFrame([
    [0, 'That is an English Book!'],
    [1, 'Do you like math?'],
    [2, 'Have a good day!']
])

inOp1 = BatchOperator.fromDataframe(df, schemaStr='id long, text string')

op = NGramBatchOp().setSelectedCol("text")
op.linkFrom(inOp1).print()

inOp2 = StreamOperator.fromDataframe(df, schemaStr='id long, text string')
op2 = NGramStreamOp().setSelectedCol("text")
op2.linkFrom(inOp2).print()

StreamOperator.execute()

Java 代码

import org.apache.flink.types.Row;

import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.nlp.NGramBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.operator.stream.StreamOperator;
import com.alibaba.alink.operator.stream.nlp.NGramStreamOp;
import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
import org.junit.Test;

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

public class NGramStreamOpTest {
	@Test
	public void testNGramStreamOp() throws Exception {
		List <Row> df = Arrays.asList(
			Row.of(0, "That is an English Book!"),
			Row.of(1, "Do you like math?"),
			Row.of(2, "Have a good day!")
		);
		BatchOperator <?> inOp1 = new MemSourceBatchOp(df, "id int, text string");
		BatchOperator <?> op = new NGramBatchOp().setSelectedCol("text");
		op.linkFrom(inOp1).print();
		StreamOperator <?> inOp2 = new MemSourceStreamOp(df, "id int, text string");
		StreamOperator <?> op2 = new NGramStreamOp().setSelectedCol("text");
		op2.linkFrom(inOp2).print();
		StreamOperator.execute();
	}
}

运行结果

批运行结果

id text
0 That_is is_an an_English English_Book!
1 Do_you you_like like_math?
2 Have_a a_good good_day!

流运行结果

id text
2 Have_a a_good good_day!
0 That_is is_an an_English English_Book!
1 Do_you you_like like_math?