word2vec训练

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？ 默认值
numIter 迭代次数 迭代次数，默认为1。 Integer 1
selectedCol 选中的列名 计算列对应的列名 String ✓
vectorSize embedding的向量长度 embedding的向量长度 Integer 100
alpha 学习率 学习率 Double 0.025
wordDelimiter 单词分隔符 单词之间的分隔符 String “ “
minCount 最小词频 最小词频 Integer 5
randomWindow 是否使用随机窗口 是否使用随机窗口，默认使用 String “true”
window 窗口大小 窗口大小 Integer 5

脚本示例

脚本代码

  1. import numpy as np
  2. import pandas as pd
  4. data = np.array([
  5.     ["A B C"]
  6. ])
  8. df = pd.DataFrame({"tokens": data[:, 0]})
  9. inOp1 = dataframeToOperator(df, schemaStr='tokens string', op_type='batch')
  10. inOp2 = dataframeToOperator(df, schemaStr='tokens string', op_type='stream')
  11. train = Word2VecTrainBatchOp().setSelectedCol("tokens").setMinCount(1).setVectorSize(4).linkFrom(inOp1)
  12. predictBatch = Word2VecPredictBatchOp().setSelectedCol("tokens").linkFrom(train, inOp1)
  14. [model,predict] = collectToDataframes(train, predictBatch)
  15. print(model)
  16. print(predict)
  18. predictStream = Word2VecPredictStreamOp(train).setSelectedCol("tokens").linkFrom(inOp2)
  19. predictStream.print(refreshInterval=-1)
  20. StreamOperator.execute()

脚本运行结果

模型结果
  1. rowID word                                                vec
  2. 0    C  0.8955382525715048 0.7260255668945033 0.153084...
  3. 1    B  0.3799129268855519 0.09451568997723046 0.03543...
  4. 2    A  0.9284417086503712 0.7607143212094577 0.417053...
预测结果
  1. rowID    tokens
  2. 0  0.7346309627024759 0.5270851926937304 0.201858...