文本两两相似度计算 (TextSimilarityPairwiseBatchOp)

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

Python 类名：TextSimilarityPairwiseBatchOp

功能介绍

文章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，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上文本相似度算法包括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, "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"]
])

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

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

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

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

public class TextSimilarityPairwiseBatchOpTest {
	@Test
	public void testTextSimilarityPairwiseBatchOp() 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 <?> inOp1 = new MemSourceBatchOp(df, "id int, text1 string, text2 string");
		StreamOperator <?> inOp2 = new MemSourceStreamOp(df, "id int, text1 string, text2 string");
		BatchOperator <?> batchOp = new TextSimilarityPairwiseBatchOp().setSelectedCols("text1", "text2").setMetric(
			"LEVENSHTEIN").setOutputCol("output");
		batchOp.linkFrom(inOp1).print();
		StreamOperator <?> streamOp = new TextSimilarityPairwiseStreamOp().setSelectedCols("text1", "text2").setMetric(
			"COSINE").setOutputCol("output");
		streamOp.linkFrom(inOp2).print();
		StreamOperator.execute();
	}
}

运行结果

id	text1	text2	output
0	a b c d e	a a b c e	2.0
1	a a c e d w	a a b b e d	3.0
2	c d e f a	b b c e f a	3.0
3	b d e f h	d d e a c	3.0
4	a c e d m	a e e f b c	4.0