Word2Vec (Word2Vec)

Java 类名：com.alibaba.alink.pipeline.nlp.Word2Vec

Python 类名：Word2Vec

功能介绍

Word2Vec是Google在2013年开源的一个将词表转为向量的算法，其利用神经网络，可以通过训练，将词映射到K维度空间向量，甚至对于表示词的向量进行操作还能和语义相对应，由于其简单和高效引起了很多人的关注。

Word2Vec的工具包相关链接：https://code.google.com/p/word2vec/

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	✓
alpha	学习率	学习率	Double			0.025
minCount	最小词频	最小词频	Integer			5
modelFilePath	模型的文件路径	模型的文件路径	String			null
numIter	迭代次数	迭代次数，默认为1。	Integer			1
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
predMethod	向量组合方法	预测文档向量时，需要用到的方法。支持三种方法：平均（avg），最小（min）和最大（max），默认值为平均	String		“AVG”, “SUM”, “MIN”, “MAX”	“AVG”
randomWindow	是否使用随机窗口	是否使用随机窗口，默认使用	String			“true”
reservedCols	算法保留列名	算法保留列	String[]			null
vectorSize	embedding的向量长度	embedding的向量长度	Integer		x >= 1	100
window	窗口大小	窗口大小	Integer			5
wordDelimiter	单词分隔符	单词之间的分隔符	String			“ ”
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([
    ["A B C"]
])

inOp = BatchOperator.fromDataframe(df, schemaStr='tokens string')
word2vec = Word2Vec().setSelectedCol("tokens").setMinCount(1).setVectorSize(4)
word2vec.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.nlp.Word2Vec;
import org.junit.Test;

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

public class Word2VecTest {
	@Test
	public void testWord2Vec() throws Exception {
		List <Row> df = Arrays.asList(
			Row.of("A B C")
		);
		BatchOperator <?> inOp = new MemSourceBatchOp(df, "tokens string");
		Word2Vec word2vec = new Word2Vec().setSelectedCol("tokens").setMinCount(1).setVectorSize(4);
		word2vec.fit(inOp).transform(inOp).print();
	}
}

运行结果

tokens
0.731000431888515 0.40841702428161525 0.5173676180773374 0.3393047625647364