• word2vec训练
    • 功能介绍
    • 参数说明
    • 脚本示例
      • 脚本代码
      • 脚本运行结果
        • 模型结果
        • 预测结果

    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...