Java 类名:com.alibaba.alink.operator.batch.nlp.DocHashCountVectorizerTrainBatchOp
Python 类名:DocHashCountVectorizerTrainBatchOp

功能介绍

根据文本中词语的特征信息,将每条文本转化为固定长度的稀疏向量。
在转换时,每个词语会通过哈希函数映射到稀疏向量的一个索引值,映射到同一个索引值的多个词语将看作同一个词语来统计特征信息。

使用方式

该组件是训练组件,需要配合预测组件 DocHashCountVectorizerPredictBatch/StreamOp 使用。
文本内容列(SelectedCol)中的内容用于统计词语的统计信息,需要是用空格分隔的词语。
将文本转换为稀疏向量时,需要指定向量维度(numFeatures)。 每个词语会通过哈希函数映射到一个 [0, numFeatures) 内的索引值,映射到同一个索引值的多个词语将看作同一个词语来统计特征信息。
而向量中对应索引的值表示对应的词语在文本中的特征信息,可以通过参数 featureType 来选择不同的特征。
在转换时,所使用的词语集合还可以通过参数来进行筛选:

  • maxDF/minDF:根据包含词语的文本次数(DF)进行筛选(当设置值在[0,1)区间时,表示占总文本数的比例);
  • minTF:仅在预测单条文本时起作用,根据词语在当前文本中的出现的次数进行筛选(当设置值在[0,1)区间时,表示占当前文本总次数的比例)。

    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 | ✓ | 所选列类型为 [STRING] | |

| featureType | 特征类型 | 生成特征向量的类型,支持IDF/WORD_COUNT/TF_IDF/Binary/TF | String | | “IDF”, “WORD_COUNT”, “TF_IDF”, “BINARY”, “TF” | “WORD_COUNT” |

| minDF | 最小文档词频 | 如果一个词出现的文档次数小于minDF, 这个词不会被包含在字典中。minTF可以是具体的词频也可以是整体词频的比例,如果minDF在[0,1)区间,会被认为是比例。 | Double | | | 1.0 |

| minTF | 最低词频 | 最低词频,如果词频小于minTF,这个词会被忽略掉。minTF可以是具体的词频也可以是整体词频的比例,如果minTF在[0,1)区间,会被认为是比例。 | Double | | | 1.0 |

| numFeatures | 向量维度 | 生成向量长度 | Integer | | | 262144 |

代码示例

Python 代码

  1. df = pd.DataFrame([
  2. [0, u'二手旧书:医学电磁成像'],
  3. [1, u'二手美国文学选读( 下册 )李宜燮南开大学出版社 9787310003969'],
  4. [2, u'二手正版图解象棋入门/谢恩思主编/华龄出版社'],
  5. [3, u'二手中国糖尿病文献索引'],
  6. [4, u'二手郁达夫文集( 国内版 )全十二册馆藏书']
  7. ])
  8. inOp1 = BatchOperator.fromDataframe(df, schemaStr='id int, text string')
  9. segment = SegmentBatchOp().setSelectedCol("text").linkFrom(inOp1)
  10. train = DocHashCountVectorizerTrainBatchOp().setSelectedCol("text").linkFrom(segment)
  11. predictBatch = DocHashCountVectorizerPredictBatchOp().setSelectedCol("text").linkFrom(train, segment)
  12. train.lazyPrint(-1)
  13. predictBatch.print()
  14. inOp2 = StreamOperator.fromDataframe(df, schemaStr='id int, text string')
  15. segment2 = SegmentStreamOp().setSelectedCol("text").linkFrom(inOp2)
  16. predictStream = DocHashCountVectorizerPredictStreamOp(train).setSelectedCol("text").linkFrom(segment2)
  17. predictStream.print()
  18. StreamOperator.execute()

Java 代码

  1. import org.apache.flink.types.Row;
  2. import com.alibaba.alink.operator.batch.BatchOperator;
  3. import com.alibaba.alink.operator.batch.nlp.DocHashCountVectorizerPredictBatchOp;
  4. import com.alibaba.alink.operator.batch.nlp.DocHashCountVectorizerTrainBatchOp;
  5. import com.alibaba.alink.operator.batch.nlp.SegmentBatchOp;
  6. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  7. import com.alibaba.alink.operator.stream.StreamOperator;
  8. import com.alibaba.alink.operator.stream.nlp.DocHashCountVectorizerPredictStreamOp;
  9. import com.alibaba.alink.operator.stream.nlp.SegmentStreamOp;
  10. import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
  11. import org.junit.Test;
  12. import java.util.Arrays;
  13. import java.util.List;
  14. public class DocHashCountVectorizerTrainBatchOpTest {
  15. @Test
  16. public void testDocHashCountVectorizerTrainBatchOp() throws Exception {
  17. List <Row> df = Arrays.asList(
  18. Row.of(0, "二手旧书:医学电磁成像"),
  19. Row.of(1, "二手美国文学选读( 下册 )李宜燮南开大学出版社 9787310003969"),
  20. Row.of(2, "二手正版图解象棋入门/谢恩思主编/华龄出版社"),
  21. Row.of(3, "二手中国糖尿病文献索引"),
  22. Row.of(4, "二手郁达夫文集( 国内版 )全十二册馆藏书")
  23. );
  24. BatchOperator <?> inOp1 = new MemSourceBatchOp(df, "id int, text string");
  25. BatchOperator <?> segment = new SegmentBatchOp().setSelectedCol("text").linkFrom(inOp1);
  26. BatchOperator <?> train = new DocHashCountVectorizerTrainBatchOp().setSelectedCol("text").linkFrom(segment);
  27. BatchOperator <?> predictBatch = new DocHashCountVectorizerPredictBatchOp().setSelectedCol("text").linkFrom(
  28. train, segment);
  29. train.lazyPrint(-1);
  30. predictBatch.print();
  31. StreamOperator <?> inOp2 = new MemSourceStreamOp(df, "id int, text string");
  32. StreamOperator <?> segment2 = new SegmentStreamOp().setSelectedCol("text").linkFrom(inOp2);
  33. StreamOperator <?> predictStream = new DocHashCountVectorizerPredictStreamOp(train).setSelectedCol("text")
  34. .linkFrom(segment2);
  35. predictStream.print();
  36. StreamOperator.execute();
  37. }
  38. }

运行结果

模型数据

| model_id | model_info | | —- | —- |

| 0 | {“numFeatures”:”262144”,”minTF”:”1.0”,”featureType”:””WORD_COUNT””} |

| 1048576 | {“0”:-0.6061358035703156,”180035”:1.0986122886681098,”37505”:1.0986122886681098,”214785”:1.0986122886681098,”195777”:1.0986122886681098,”181703”:1.0986122886681098,”216139”:0.6931471805599453,”10121”:1.0986122886681098,”226698”:1.0986122886681098,”261064”:1.0986122886681098,”126159”:1.0986122886681098,”251090”:1.0986122886681098,”219988”:1.0986122886681098,”46743”:1.0986122886681098,”206232”:0.0,”162140”:1.0986122886681098,”87711”:1.0986122886681098,”259932”:1.0986122886681098,”257763”:1.0986122886681098,”241122”:1.0986122886681098,”119456”:1.0986122886681098,”138080”:0.6931471805599453,”250534”:0.6931471805599453,”254628”:0.6931471805599453,”172901”:1.0986122886681098,”259051”:1.0986122886681098,”141480”:1.0986122886681098,”40170”:1.0986122886681098,”255656”:1.0986122886681098,”93228”:1.0986122886681098,”119217”:1.0986122886681098,”256946”:1.0986122886681098,”210357”:1.0986122886681098,”232884”:1.0986122886681098,”70777”:1.0986122886681098,”158267”:1.0986122886681098,”64444”:1.0986122886681098,”96509”:1.0986122886681098} |

批预测结果

| id | text | | —- | —- |

| 0 | $262144$10121:1.0 64444:1.0 119456:1.0 206232:1.0 210357:1.0 256946:1.0 |

| 1 | $262144$0:6.0 37505:1.0 46743:1.0 93228:1.0 119217:1.0 138080:1.0 141480:1.0 172901:1.0 206232:1.0 216139:1.0 226698:1.0 254628:1.0 |

| 2 | $262144$40170:1.0 70777:1.0 96509:1.0 126159:1.0 158267:1.0 181703:1.0 206232:1.0 216139:1.0 232884:1.0 250534:2.0 259932:1.0 |

| 3 | $262144$206232:1.0 214785:1.0 251090:1.0 255656:1.0 261064:1.0 |

| 4 | $262144$0:4.0 87711:1.0 138080:1.0 162140:1.0 180035:1.0 195777:1.0 206232:1.0 219988:1.0 241122:1.0 254628:1.0 257763:1.0 259051:1.0 |

流预测结果

| id | text | | —- | —- |

| 4 | $262144$0:4.0 87711:1.0 138080:1.0 162140:1.0 180035:1.0 195777:1.0 206232:1.0 219988:1.0 241122:1.0 254628:1.0 257763:1.0 259051:1.0 |

| 3 | $262144$206232:1.0 214785:1.0 251090:1.0 255656:1.0 261064:1.0 |

| 1 | $262144$0:6.0 37505:1.0 46743:1.0 93228:1.0 119217:1.0 138080:1.0 141480:1.0 172901:1.0 206232:1.0 216139:1.0 226698:1.0 254628:1.0 |

| 0 | $262144$10121:1.0 64444:1.0 119456:1.0 206232:1.0 210357:1.0 256946:1.0 |

| 2 | $262144$40170:1.0 70777:1.0 96509:1.0 126159:1.0 158267:1.0 181703:1.0 206232:1.0 216139:1.0 232884:1.0 250534:2.0 259932:1.0 |