BertTextClassifier为Alink BERT文本分类器的Pipeline组件为，其输入为原始的文本数据，不需要事先做分词、构造特征等操作。Pipeline的构建和训练代码如下：
new Pipeline()
.add(
new Imputer()
.setSelectedCols("review")
.setStrategy("value")
.setFillValue("null")
)
.add(
new BertTextClassifier()
.setTextCol("review")
.setLabelCol("label")
.setPredictionCol("pred")
.setPredictionDetailCol("pred_info")
.setBertModelName("Base-Chinese")
.setNumEpochs(1.0)
)
.fit(train_set)
.save(DATA_DIR + "bert_pipeline_model.ak", true);
BatchOperator.execute();由于数据中有缺失值，在运行BERT之前，需要进行缺失值填充，填充为字符串值“null”。通过Pipeline的fit()方法，可以得到整个流程的模型（PipelineModel），并将模型保存到文件“bert_pipeline_model.ak”。
导入上面训练的PipelineModel模型后，可以调用transform方法对批式/流式数据进行预测，最后，使用 EvalBinaryClassBatchOp组件进行二分类模型评估。具体代码如下：
PipelineModel.load(DATA_DIR + "bert_pipeline_model.ak")
.transform(test_set)
.lazyPrint(5)
.link(
new EvalBinaryClassBatchOp()
.setLabelCol("label")
.setPredictionDetailCol("pred_info")
.lazyPrintMetrics("BERT")
);
BatchOperator.execute();运行结果为
label|review|pred|pred_info
-----|------|----|---------
0|1。房间很小，我住的是标准间A（2008年春节房价430元），根本不值，比上海市内的还要贵；2。空调的温度调节器很糟糕，搞懂该怎么调会费你许多时间，不信可以去试试，哈哈哈哈哈哈。。。不过房间还是很温暖，温度很高，建议开点窗户睡觉，以防被热醒；3。房间也不太干净，地毯脏兮兮的；4。送的早餐太简单，只能算充饥；5。下次不会再入住顺利大酒店，打算去住“莫泰崇明八一店”。|0|{"0":0.9687044806778431,"1":0.031295519322156906}
0|55555555，我住过最差的酒店之一，奉劝大家还是跑远一点吧。|0|{"0":0.9489788040518761,"1":0.05102119594812393}
0|6月16号就从网上订了房间,晚上到酒店时前台说房间了,也没找到我的订单.后来打电话给携程说已经酒店已经将订单回传过.酒店前台一直让我等待了五十分钟才给了房间.到房间后居然还有别人剩下的垃圾没有清理.而且环境还不好,外面就是马路,吵死了,反正这次弄得相当不愉快,相当差劲点|0|{"0":0.781480684876442,"1":0.21851931512355804}
0|8月4日入住了该酒店，没想到很多地方不如意，不得不缩短行程，提前返京。之前在网上查询，想住一个特色酒店，就选择此处的豪华标准间。但没想到：（1）酒店周围正在拆迁，非常脏和吵。出租车司机让我们三年以后看，说一定变样。分配给我们的房子临马路，面对一大施工场，极其嘈杂。不得以要求将其中的两间房调换。前台很不情愿给换了，告知换的房子会比这个小。当时为求安静，只好同意，但后来发现上大当了。（2）调换的两间房估计为普通标准间，屋子里墙壁和柜橱有斑驳的潮湿痕迹，其中一间屋子抽水马桶经常坏。房间很小，书桌和床之间仅容一人过。最可恶的是窗户没有纱窗，且朝过道，冒着进蚊子的威胁，开窗后发现无法通气，因过道窗户紧紧封闭，房间里一股霉味和油漆味散发不出去。更有甚者，因是围拢的房屋结构，早晚有人在过道说话很闹，且过道的灯笼整夜亮着。透过菲薄的窗帘，不得不忍受光污染。屋子的隔音效果很差，需要忍受隔壁看电视的声音。没有中央空调。（3）服务水平一般。在调换房间的第二天，讯问前台要求换到豪华标间，前台说因是自己要求调换的，不补差价，且说现房即为折后338元的价位。这可是在承德！前台服务很差，虽身着民族服装很漂亮，但态度冷冰冰。但对我之前的一老外可是鞠躬哈腰的。（4）早餐难以下咽。因周围是村庄，只能在酒店用早餐。四五个小咸菜；两种粥、豆包、包子以及奶粉冲得很稀的牛奶。即便这种早餐过了八点半还就没有了。开始打扫卫生，不管是否客人吃完。我非常非常后悔选择了这个酒店，性价比最差的。本想休息几天，但住宿实在太差，干脆一家人，勉强住了两夜就退房走人。|0|{"0":0.963587149977684,"1":0.03641285002231598}
0|三个字：脏、乱、差！房间里面看上去还可以，但是仔细看，很多地方极其脏，服务人员貌似没有培训上岗的，从前台到餐厅的服务人员都是这样，走廊上停着服务车，24小时没有换地方，四周环境乱得很，和照片完全不相符。饮食很差！|0|{"0":0.9859012337401509,"1":0.014098766259849072}
BERT
-------------------------------- Metrics: --------------------------------
Auc:0.9529 Accuracy:0.9009 Precision:0.9089 Recall:0.954 F1:0.9309 LogLoss:0.2638
|Pred\Real| 1| 0|
|---------|---|---|
| 1|519| 52|
| 0| 25|181|使用LocalPredictor导入前面训练的PipelineModel，可以被集成到预测服务中。具体代码如下，首先是通过导入PipelineModel，构建LocalPredictor实例。
LocalPredictor localPredictor
= new LocalPredictor(DATA_DIR + "bert_pipeline_model.ak", "review string");使用 getOutputSchema 方法获得当前预测输出结果的 Schema，代码如下
System.out.println(localPredictor.getOutputSchema());
运行结果如下，第一列为review，预测的文本内容；第二列为pred，预测结果；第三列为pred_info，预测详情信息。
root |-- review: STRING |-- pred: BIGINT |-- pred_info: STRING
下面使用localPredictor进行预测，代码如下。构造了两条预测文本数据，使用localPredictor的map方法进行预测，输入数据的类型为Row，这里使用Row.of方法进行转换。
final int index_pred = TableUtil.findColIndex(localPredictor.getOutputSchema(), "pred");
String[] reviews = new String[] {
"硬件不错，服务态度也不错，下次到附近的话还会选择住这里",
"房间还比较干净,交通方便,离外滩很近.但外面声音太大,休息不好",
};
for (String review : reviews) {
Object[] result = localPredictor.predict(review);
System.out.println("Pred Result : " + result[index_pred] + " @ " + review);
}注意：预测结果的类型为Row，即为一行数据，包含多个数据字段。可以通过TableUtil.findColIndex方法，确定预测结果“pred”列的位置索引值index_pred，从Row类型变量result中使用getField方法获取索引值为index_pred的数据字段，就是预测结果。
运行结果为
Pred Result : 1 @ 硬件不错，服务态度也不错，下次到附近的话还会选择住这里 Pred Result : 1 @ 房间还比较干净,交通方便,离外滩很近.但外面声音太大,休息不好