字符串两两相似度计算 (StringSimilarityPairwiseBatchOp)

Java 类名：com.alibaba.alink.operator.batch.similarity.StringSimilarityPairwiseBatchOp

Python 类名：StringSimilarityPairwiseBatchOp

功能介绍

字符相似度是计算两两文章或者句子之间的相似度：支持Levenshtein Distance，Longest Common SubString，String Subsequence Kernel，Cosine，SimHashHamming，MinHash和Jaccard七种相似度计算方式，通过选择metric参数可计算不同的相似度。

Levenshtein（Levenshtein Distance）支持距离和相似度两种方式，相似度=(1-距离)/length，length为两个字符长度的最大值，距离应选择metric的参数为LEVENSHTEIN，相似度应选metric的参数为LEVENSHTEIN_SIM。

LCS（Longest Common SubString）支持距离和相似度两种参数，相似度=(1-距离)/length，length为两个字符长度的最大值，距离应选择metric的参数为LCS，相似度应选择metric的参数为LCS_SIM。

SSK（String Subsequence Kernel）支持相似度计算，应选择metric的参数为SSK。

Cosine（Cosine）支持相似度计算，应选择metric的参数为COSINE。

SimhashHamming（SimHash_Hamming_Distance)，支持距离和相似度两种方式，相似度=1-距离/64.0，距离应选择metric的参数为SIMHASH_HAMMING，相似度应选择metric的参数为SIMHASH_HAMMING_SIM。

MinHash 支持相似度计算，应选择metric的参数为MINHASH_SIM。

Jaccard 支持相似度计算，应选择metric的参数为JACCARD_SIM。

Alink上字符相似度算法包括Batch组件和Stream组件。

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	✓
selectedCols	选择的列名	计算列对应的列名列表	String[]	✓	所选列类型为 [STRING]
lambda	匹配字符权重	匹配字符权重，SSK中使用	Double			0.5
metric	度量类型	计算距离时，可以取不同的度量	String		“LEVENSHTEIN”, “LEVENSHTEIN_SIM”, “LCS”, “LCS_SIM”, “SSK”, “COSINE”, “SIMHASH_HAMMING”, “SIMHASH_HAMMING_SIM”, “JACCARD_SIM”	“LEVENSHTEIN_SIM”
numBucket	分桶个数	分桶个数	Integer			10
numHashTables	哈希表个数	哈希表的数目	Integer			10
reservedCols	算法保留列名	算法保留列	String[]			null
seed	采样种子	采样种子	Long			0
windowSize	窗口大小	窗口大小	Integer		x >= 1	2
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

from pyalink.alink import *

import pandas as pd

useLocalEnv(1)

df = pd.DataFrame([
    [0, "abcde", "aabce"],
    [1, "aacedw", "aabbed"],
    [2, "cdefa", "bbcefa"],
    [3, "bdefh", "ddeac"],
    [4, "acedm", "aeefbc"]
])

inOp1 = BatchOperator.fromDataframe(df, schemaStr='id long, text1 string, text2 string')
inOp2 = StreamOperator.fromDataframe(df, schemaStr='id long, text1 string, text2 string')

batchOp = StringSimilarityPairwiseBatchOp().setSelectedCols(["text1", "text2"]).setMetric("LEVENSHTEIN").setOutputCol("LEVENSHTEIN")
batchOp.linkFrom(inOp1).print()

streamOp = StringSimilarityPairwiseStreamOp().setSelectedCols(["text1", "text2"]).setMetric("COSINE").setOutputCol("COSINE")
streamOp.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.similarity.StringSimilarityPairwiseBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.operator.stream.StreamOperator;
import com.alibaba.alink.operator.stream.similarity.StringSimilarityPairwiseStreamOp;
import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
import org.junit.Test;

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

public class StringSimilarityPairwiseBatchOpTest {
	@Test
	public void testStringSimilarityPairwiseBatchOp() throws Exception {
		List <Row> df = Arrays.asList(
			Row.of(0, "abcde", "aabce"),
			Row.of(1, "aacedw", "aabbed"),
			Row.of(2, "cdefa", "bbcefa"),
			Row.of(3, "bdefh", "ddeac"),
			Row.of(4, "acedm", "aeefbc")
		);
		BatchOperator <?> inOp1 = new MemSourceBatchOp(df, "id int, text1 string, text2 string");
		StreamOperator <?> inOp2 = new MemSourceStreamOp(df, "id int, text1 string, text2 string");
		BatchOperator <?> batchOp = new StringSimilarityPairwiseBatchOp().setSelectedCols("text1", "text2").setMetric(
			"LEVENSHTEIN").setOutputCol("LEVENSHTEIN");
		batchOp.linkFrom(inOp1).print();
		StreamOperator <?> streamOp = new StringSimilarityPairwiseStreamOp().setSelectedCols("text1", "text2")
			.setMetric("COSINE").setOutputCol("COSINE");
		streamOp.linkFrom(inOp2).print();
		StreamOperator.execute();
	}
}

运行结果

id	text1	text2	LEVENSHTEIN
0	abcde	aabce	2.0000
1	aacedw	aabbed	3.0000
2	cdefa	bbcefa	3.0000
3	bdefh	ddeac	3.0000
4	acedm	aeefbc	4.0000

id	text1	text2	COSINE
1	aacedw	aabbed	0.4000
4	acedm	aeefbc	0.0000
0	abcde	aabce	0.5000
2	cdefa	bbcefa	0.4472
3	bdefh	ddeac	0.2500