Java 类名:com.alibaba.alink.operator.stream.feature.MultiHotPredictStreamOp
Python 类名:MultiHotPredictStreamOp

功能介绍

multi-hot编码,也称多热编码,是与独热编码相对应的一种编码方式。该编码对每一个字符串特征列按照指定分隔符进行分割,分割得到的值存在m个可能值,那么经过多热编码后就变成了m个二元特征。对每一字段编码将会把该字段分割后的每一个值映射到唯一的编码。 因此,编码后的数据会变成稀疏数据,输出结果也是kv的稀疏结构。
组件为多热编码的流式预测组件。

编码结果

输入

| col_0 | col_1 | | —- | —- |

| “a b” | “1 2” |

| “b c” | “1 3” |

| “c d” | “1 4” |

| “a d” | “3 2” |

| “d e” | null |

| NULL | “2 3” |

Encode ——> VECTOR

预测结果为稀疏向量:

  1. 向量中非零元个数必定为1, 只能是一个稀疏向量$5$0:1.0 4:1.0或者NULL
Encode ——> ASSEMBLED_VECTOR
  1. 预测结果为稀疏向量,是预测选择列中,各列预测为VECTOR时,按照选择顺序ASSEMBLE的结果。

向量维度

Encode ——> Vector
  1. distinct token Number: 训练集中指定列的去重后的token数目
  2. enableElse: 训练时若填写discreteThresholdsdiscreteThresholdsArray则为true,默认为false
  3. handleInvalid: 预测参数
举例

输入列为col_0

  1. 1. 如果没有填写discreteThresholds,那么enableElsefalsedistinct token Number为(a,b,c,d,e)一共5token
  2. 1.1.1 handleInvalidkeep: vectorSize=(5 + 0 + 1 = 6)
  3. 1.2.2 handleInvalidskip: vectorSize=(5 + 0 + 0 = 5)
  4. 1.2.3 handleInvaliderror: vectorSize=(5 + 0 + 0 = 5)
  5. 2. 如果discreteThresholds2, 那么enableElsetrue, distinct token Number为(a,b,c,d,e)一共5token
  6. 1.1.1 handleInvalidkeep: vectorSize=(5 + 1 + 1 = 7)
  7. 1.2.2 handleInvalidskip: vectorSize=(5 + 1 + 0 = 6)
  8. 1.2.3 handleInvaliderror: vectorSize=(5 + 1 + 0 = 6)

Token index

Encode ——> Vector
  1. 1. 训练集中出现过的token: 预测值为模型中token对应的token_index
  2. 2. 训练集中未出现过的token:
  3. 3.1 enableElsetrue
  4. 3.1.1 handleInvalidkeep: 预测值为:distinct token Number + 1
  5. 3.1.2 handleInvalidskip: 预测值为:distinct token Number
  6. 3.1.3 handleInvaliderror: 预测值为:distinct token Number
  7. 3.2 enableElsefalse
  8. 3.2.1 handleInvalidkeep: 预测值为:distinct token Number
  9. 3.2.2 handleInvalidskip: index
  10. 3.2.3 handleInvaliderror: 报错
举例

输入列为col_0

  1. 如果没有填写discreteThresholds, 假设模型中a,b,c,d,e对应的token index为0,1,2,3,4

1.1 handleInvalid为keep
| col_0 | Encode为VECTOR的输出 |
| —- | —————————- |
| “a b”| $6$0:1.0 1:1.0|
| “b c”| $6$1:1.0 2:1.0 |
| “c d” | $6$3:1.0 3:1.0|
| “a d” | $6$0:1.0 3:1.0 |
| “d e” | $6$0:3.0 4:1.0 |
| NULL | NULL |
1.2 handleInvalid为skip

| col_0 | Encode为VECTOR的输出 | | —- | —- |

| “a b” | $5$0:1.0 1:1.0 |

| “b c” | $5$1:1.0 2:1.0 |

  1. | "c d" | $5$3:1.0 3:1.0 |
  2. | "a d" | $5$0:1.0 3:1.0 |
  3. | "d e" | $5$0:3.0 4:1.0 |
  4. | NULL | NULL |

1.3 handleInvalid为error: 直接报错

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 | | —- | —- | —- | —- | —- | —- | —- |

| outputCols | 输出结果列列名数组 | 输出结果列列名数组,必选 | String[] | ✓ | | |

| selectedCols | 选择的列名 | 计算列对应的列名列表 | String[] | ✓ | 所选列类型为 [STRING] | |

| encode | 编码方法 | 编码方法 | String | | “VECTOR”, “ASSEMBLED_VECTOR” | “ASSEMBLED_VECTOR” |

| handleInvalid | 未知token处理策略 | 未知token处理策略。”keep”表示用最大id加1代替, “skip”表示补null, “error”表示抛异常 | String | | “KEEP”, “ERROR”, “SKIP” | “KEEP” |

| modelFilePath | 模型的文件路径 | 模型的文件路径 | String | | | null |

| reservedCols | 算法保留列名 | 算法保留列 | String[] | | | null |

| numThreads | 组件多线程线程个数 | 组件多线程线程个数 | Integer | | | 1 |

| modelStreamFilePath | 模型流的文件路径 | 模型流的文件路径 | String | | | null |

| modelStreamScanInterval | 扫描模型路径的时间间隔 | 描模型路径的时间间隔,单位秒 | Integer | | | 10 |

| modelStreamStartTime | 模型流的起始时间 | 模型流的起始时间。默认从当前时刻开始读。使用yyyy-mm-dd hh:mm:ss.fffffffff格式,详见Timestamp.valueOf(String s) | String | | | null |

代码示例

Python 代码

  1. from pyalink.alink import *
  2. import pandas as pd
  3. useLocalEnv(1)
  4. df = pd.DataFrame([
  5. ["a b", 1],
  6. ["b c", 1],
  7. ["c d", 1],
  8. ["a d", 2],
  9. ["d e", 2],
  10. [None, 1]
  11. ])
  12. # load data
  13. inOp = BatchOperator.fromDataframe(df, schemaStr='query string, weight long')
  14. streamOp = StreamOperator.fromDataframe(df, schemaStr='query string, weight long')
  15. # multi hot train
  16. multi_hot = MultiHotTrainBatchOp().setSelectedCols(["query"])
  17. model = inOp.link(multi_hot)
  18. model.print()
  19. # batch predict
  20. predictor = MultiHotPredictStreamOp(model).setSelectedCols(["query"]).setOutputCols(["output"])
  21. predictor.linkFrom(streamOp).print()
  22. 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.feature.MultiHotTrainBatchOp;
  4. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  5. import com.alibaba.alink.operator.stream.StreamOperator;
  6. import com.alibaba.alink.operator.stream.feature.MultiHotPredictStreamOp;
  7. import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
  8. import org.junit.Test;
  9. import java.util.Arrays;
  10. import java.util.List;
  11. public class MultiHotPredictStreamOpTest {
  12. @Test
  13. public void testMultiHotPredictStreamOp() throws Exception {
  14. List <Row> df = Arrays.asList(
  15. Row.of("a b", 1),
  16. Row.of("b c", 1),
  17. Row.of("c d", 1),
  18. Row.of("a d", 2),
  19. Row.of("d e", 2),
  20. Row.of(null, 1)
  21. );
  22. BatchOperator <?> bOp = new MemSourceBatchOp(df, "query string, weight int");
  23. StreamOperator <?> sOp = new MemSourceStreamOp(df, "query string, weight int");
  24. BatchOperator <?> multi_hot = new MultiHotTrainBatchOp().setSelectedCols("query");
  25. BatchOperator <?> model = bOp.link(multi_hot);
  26. StreamOperator <?> predictor = new MultiHotPredictStreamOp(model).setSelectedCols("query").setOutputCols(
  27. "output");
  28. predictor.linkFrom(sOp).print();
  29. StreamOperator.execute();
  30. }
  31. }

运行结果

| query | weight | output | | —- | —- | —- |

| null | 1 | null |

| d e | 2 | $6$3:1.0 4:1.0 |

| a b | 1 | $6$0:1.0 1:1.0 |

| c d | 1 | $6$2:1.0 3:1.0 |

| b c | 1 | $6$1:1.0 2:1.0 |

| a d | 2 | $6$0:1.0 3:1.0 |