文本最近邻 (TextNearestNeighbor)

Java 类名：com.alibaba.alink.pipeline.similarity.TextNearestNeighbor

Python 类名：TextNearestNeighbor

功能介绍

文本相似度是在字符串相似度的基础上，基于词，计算两两文章或者句子之间的相似度，文章或者句子需要以空格分割的文本，计算方式和字符串相似度类似：支持Levenshtein Distance，Longest Common SubString，String Subsequence Kernel，Cosine三种精确相似度计算方式，通过选择metric参数可计算不同的相似度。

该功能由训练和预测组成，支持计算1. 求最近邻topN 2. 求radius范围内的邻居。该功能由预测时候的topN和radius参数控制, 如果填写了topN，则输出最近邻，如果填写了radius，则输出radius范围内的邻居。

Levenshtein（Levenshtein Distance）相似度=(1-距离)/length，length为两个字符长度的最大值离，应选metric的参数为LEVENSHTEIN_SIM。

LCS（Longest Common SubString）相似度=(1-距离)/length，length为两个字符长度的最大值，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。

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
idCol	id列名	id列名	String	✓
selectedCol	选中的列名	计算列对应的列名	String	✓
lambda	匹配字符权重	匹配字符权重，SSK中使用	Double			0.5
metric	距离类型	用于计算的距离类型	String		“LEVENSHTEIN_SIM”, “LEVENSHTEIN”, “LCS_SIM”, “LCS”, “SSK”, “COSINE”	“LEVENSHTEIN_SIM”
modelFilePath	模型的文件路径	模型的文件路径	String			null
outputCol	输出结果列	输出结果列列名，可选，默认null	String			null
overwriteSink	是否覆写已有数据	是否覆写已有数据	Boolean			false
radius	radius值	radius值	Double			null
reservedCols	算法保留列名	算法保留列	String[]			null
topN	TopN的值	TopN的值	Integer		x >= 1	null
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
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

代码示例

Python 代码

from pyalink.alink import *

import pandas as pd

useLocalEnv(1)

df = pd.DataFrame([
    [0, "a b c d e", "a a b c e"],
    [1, "a a c e d w", "a a b b e d"],
    [2, "c d e f a", "b b c e f a"],
    [3, "b d e f h", "d d e a c"],
    [4, "a c e d m", "a e e f b c"]
])

inOp = BatchOperator.fromDataframe(df, schemaStr='id long, text1 string, text2 string')

pipeline = TextNearestNeighbor().setIdCol("id").setSelectedCol("text1").setMetric("LEVENSHTEIN_SIM").setTopN(3)

pipeline.fit(inOp).transform(inOp).print()

Java 代码

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.similarity.TextNearestNeighbor;
import org.junit.Test;

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

public class TextNearestNeighborTest {
	@Test
	public void testTextNearestNeighbor() throws Exception {
		List <Row> df = Arrays.asList(
			Row.of(0, "a b c d e", "a a b c e"),
			Row.of(1, "a a c e d w", "a a b b e d"),
			Row.of(2, "c d e f a", "b b c e f a"),
			Row.of(3, "b d e f h", "d d e a c"),
			Row.of(4, "a c e d m", "a e e f b c")
		);
		BatchOperator <?> inOp = new MemSourceBatchOp(df, "id int, text1 string, text2 string");
		TextNearestNeighbor pipeline = new TextNearestNeighbor().setIdCol("id").setSelectedCol("text1").setMetric(
			"LEVENSHTEIN_SIM").setTopN(3);
		pipeline.fit(inOp).transform(inOp).print();
	}
}

运行结果

id	text1	text2
0	{“ID”:“[0,1,4]”,“METRIC”:“[1.0,0.5,0.4]”}	a a b c e
1	{“ID”:“[1,4,0]”,“METRIC”:“[1.0,0.6666666666666667,0.5]”}	a a b b e d
2	{“ID”:“[2,3,4]”,“METRIC”:“[1.0,0.6,0.19999999999999996]”}	b b c e f a
3	{“ID”:“[3,2,4]”,“METRIC”:“[1.0,0.6,0.19999999999999996]”}	d d e a c
4	{“ID”:“[4,1,0]”,“METRIC”:“[1.0,0.6666666666666667,0.4]”}	a e e f b c