Word2Vec预测 (Word2VecPredictBatchOp)

Java 类名:com.alibaba.alink.operator.batch.nlp.Word2VecPredictBatchOp

Python 类名:Word2VecPredictBatchOp

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/

预测是根据word2vec的结果和文档的分词结果,将文档转成向量,向量维数保持与词的维数一致,同时每个维度通过对文档中的词求平均或者最大或者最小取得。

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
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
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”
reservedCols 算法保留列名 算法保留列 String[] null
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

代码示例

Python 代码

from pyalink.alink import *

import pandas as pd

useLocalEnv(1)

df = pd.DataFrame([
    ["A B C"]
])

inOp1 = BatchOperator.fromDataframe(df, schemaStr='tokens string')
inOp2 = StreamOperator.fromDataframe(df, schemaStr='tokens string')
train = Word2VecTrainBatchOp().setSelectedCol("tokens").setMinCount(1).setVectorSize(4).linkFrom(inOp1)
predictBatch = Word2VecPredictBatchOp().setSelectedCol("tokens").linkFrom(train, inOp1)

train.lazyPrint(-1)
predictBatch.print()

predictStream = Word2VecPredictStreamOp(train).setSelectedCol("tokens").linkFrom(inOp2)
predictStream.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.Word2VecPredictBatchOp;
import com.alibaba.alink.operator.batch.nlp.Word2VecTrainBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.operator.stream.StreamOperator;
import com.alibaba.alink.operator.stream.nlp.Word2VecPredictStreamOp;
import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
import org.junit.Test;

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

public class Word2VecPredictBatchOpTest {
	@Test
	public void testWord2VecPredictBatchOp() throws Exception {
		List <Row> df = Arrays.asList(
			Row.of("A B C")
		);
		BatchOperator <?> inOp1 = new MemSourceBatchOp(df, "tokens string");
		StreamOperator <?> inOp2 = new MemSourceStreamOp(df, "tokens string");
		BatchOperator <?> train = new Word2VecTrainBatchOp().setSelectedCol("tokens").setMinCount(1).setVectorSize(4)
			.linkFrom(inOp1);
		BatchOperator <?> predictBatch = new Word2VecPredictBatchOp().setSelectedCol("tokens").linkFrom(train, inOp1);
		train.lazyPrint(-1);
		predictBatch.print();
		StreamOperator <?> predictStream = new Word2VecPredictStreamOp(train).setSelectedCol("tokens").linkFrom(inOp2);
		predictStream.print();
		StreamOperator.execute();
	}
}

运行结果

模型结果

word vec
A 0.7309136238338743 0.8314290437797685 0.24048455175042288 0.6063329203030643
C 0.7309085567091897 0.10053583269390566 0.41008295020646984 0.4074737375159046
B 0.7310876997238699 0.29335938660122723 0.901396784395289 0.004137313321518908

批预测结果

tokens
0.7309699600889779 0.40844142102496706 0.5173214287840605 0.3393146570468293

流预测结果

tokens
0.7309691109963297 0.4083920636901659 0.5173538721894075 0.3392825036669853