Java 类名：com.alibaba.alink.pipeline.similarity.TextNearestNeighbor
Python 类名：TextNearestNeighbor

功能介绍

文本相似度是在字符串相似度的基础上，基于词，计算两两文章或者句子之间的相似度，文章或者句子需要以空格分割的文本，计算方式和字符串相似度类似：支持Levenshtein Distance，Longest Common SubString，String Subsequence Kernel，Cosine三种精确相似度计算方式，通过选择metric参数可计算不同的相似度。
该功能由训练和预测组成，支持计算1. 求最近邻topN 2. 求radius范围内的邻居。该功能由预测时候的topN和radius参数控制, 如果填写了topN，则输出最近邻，如果填写了radius，则输出radius范围内的邻居。
Levenshtein（Levenshtein Distance）相似度=(1-距离)/length，length为两个字符长度的最大值离，应选metric的参数为LEVENSHTEIN_SIM。
LCS（Longest Common SubString）相似度=(1-距离)/length，length为两个字符长度的最大值，应选择metric的参数为LCS_SIM。
SSK（String Subsequence Kernel）支持相似度计算，应选择metric的参数为SSK。
Cosine（Cosine）支持相似度计算，应选择metric的参数为COSINE。

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
idCol id列名 id列名 String ✓
selectedCol 选中的列名 计算列对应的列名 String ✓
lambda 匹配字符权重 匹配字符权重，SSK中使用 Double 0.5
metric 距离类型 用于计算的距离类型 String “LEVENSHTEIN_SIM”, “LEVENSHTEIN”, “LCS_SIM”, “LCS”, “SSK”, “COSINE” “LEVENSHTEIN_SIM”
modelFilePath 模型的文件路径 模型的文件路径 String null
outputCol 输出结果列 输出结果列列名，可选，默认null String null
overwriteSink 是否覆写已有数据 是否覆写已有数据 Boolean false
radius radius值 radius值 Double null
reservedCols 算法保留列名 算法保留列 String[] null
topN TopN的值 TopN的值 Integer [1, +inf) null
windowSize 窗口大小 窗口大小 Integer [1, +inf) 2
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 *
  3. import pandas as pd
  5. useLocalEnv(1)
  7. df = pd.DataFrame([
  8.     [0, "a b c d e", "a a b c e"],
  9.     [1, "a a c e d w", "a a b b e d"],
  10.     [2, "c d e f a", "b b c e f a"],
  11.     [3, "b d e f h", "d d e a c"],
  12.     [4, "a c e d m", "a e e f b c"]
  13. ])
  15. inOp = BatchOperator.fromDataframe(df, schemaStr='id long, text1 string, text2 string')
  17. pipeline = TextNearestNeighbor().setIdCol("id").setSelectedCol("text1").setMetric("LEVENSHTEIN_SIM").setTopN(3)
  19. pipeline.fit(inOp).transform(inOp).print()

Java 代码

  1. import org.apache.flink.types.Row;
  3. import com.alibaba.alink.operator.batch.BatchOperator;
  4. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  5. import com.alibaba.alink.pipeline.similarity.TextNearestNeighbor;
  6. import org.junit.Test;
  8. import java.util.Arrays;
  9. import java.util.List;
  11. public class TextNearestNeighborTest {
  12.     @Test
  13.     public void testTextNearestNeighbor() throws Exception {
  14.         List <Row> df = Arrays.asList(
  15.             Row.of(0, "a b c d e", "a a b c e"),
  16.             Row.of(1, "a a c e d w", "a a b b e d"),
  17.             Row.of(2, "c d e f a", "b b c e f a"),
  18.             Row.of(3, "b d e f h", "d d e a c"),
  19.             Row.of(4, "a c e d m", "a e e f b c")
  20.         );
  21.         BatchOperator <?> inOp = new MemSourceBatchOp(df, "id int, text1 string, text2 string");
  22.         TextNearestNeighbor pipeline = new TextNearestNeighbor().setIdCol("id").setSelectedCol("text1").setMetric(
  23.             "LEVENSHTEIN_SIM").setTopN(3);
  24.         pipeline.fit(inOp).transform(inOp).print();
  25.     }
  26. }

运行结果

| id | text1 | text2 | | —- | —- | —- |

| 0 | {“ID”:”[0,1,4]”,”METRIC”:”[1.0,0.5,0.4]”} | a a b c e |

| 1 | {“ID”:”[1,4,0]”,”METRIC”:”[1.0,0.6666666666666667,0.5]”} | a a b b e d |

| 2 | {“ID”:”[2,3,4]”,”METRIC”:”[1.0,0.6,0.19999999999999996]”} | b b c e f a |

| 3 | {“ID”:”[3,2,4]”,”METRIC”:”[1.0,0.6,0.19999999999999996]”} | d d e a c |

| 4 | {“ID”:”[4,1,0]”,”METRIC”:”[1.0,0.6666666666666667,0.4]”} | a e e f b c |