word2vec批预测

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
selectedCol 选中的列名 计算列对应的列名 String
reservedCols 算法保留列名 算法保留列 String[] null
outputCol 输出结果列 输出结果列列名,可选,默认null String null
wordDelimiter 单词分隔符 单词之间的分隔符 String “ “
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”

脚本示例

脚本代码

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