Java 类名：com.alibaba.alink.operator.batch.similarity.TextNearestNeighborTrainBatchOp
Python 类名：TextNearestNeighborTrainBatchOp

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 | ✓ | 所选列类型为 [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” |

| windowSize | 窗口大小 | 窗口大小 | Integer | | [1, +inf) | 2 |

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. train = TextNearestNeighborTrainBatchOp().setIdCol("id").setSelectedCol("text1").setMetric("LEVENSHTEIN_SIM").linkFrom(inOp)
  18. predict = TextNearestNeighborPredictBatchOp().setSelectedCol("text2").setTopN(3).linkFrom(train, inOp)
  19. predict.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.similarity.TextNearestNeighborPredictBatchOp;
  5. import com.alibaba.alink.operator.batch.similarity.TextNearestNeighborTrainBatchOp;
  6. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  7. import org.junit.Test;
  9. import java.util.Arrays;
  10. import java.util.List;
  12. public class TextNearestNeighborTrainBatchOpTest {
  13.     @Test
  14.     public void testTextNearestNeighborTrainBatchOp() throws Exception {
  15.         List <Row> df = Arrays.asList(
  16.             Row.of(0, "a b c d e", "a a b c e"),
  17.             Row.of(1, "a a c e d w", "a a b b e d"),
  18.             Row.of(2, "c d e f a", "b b c e f a"),
  19.             Row.of(3, "b d e f h", "d d e a c"),
  20.             Row.of(4, "a c e d m", "a e e f b c")
  21.         );
  22.         BatchOperator <?> inOp = new MemSourceBatchOp(df, "id int, text1 string, text2 string");
  23.         BatchOperator <?> train = new TextNearestNeighborTrainBatchOp().setIdCol("id").setSelectedCol("text1")
  24.             .setMetric("LEVENSHTEIN_SIM").linkFrom(inOp);
  25.         BatchOperator <?> predict =
  26.             new TextNearestNeighborPredictBatchOp().setSelectedCol("text2").setTopN(3).linkFrom(
  27.             train, inOp);
  28.         predict.print();
  29.     }
  30. }

运行结果

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

| 0 | a b c d e | {“ID”:”[0,1,4]”,”METRIC”:”[0.6,0.5,0.19999999999999996]”} |

| 1 | a a c e d w | {“ID”:”[1,0,4]”,”METRIC”:”[0.5,0.33333333333333337,0.33333333333333337]”} |

| 2 | c d e f a | {“ID”:”[3,2,4]”,”METRIC”:”[0.5,0.5,0.33333333333333337]”} |

| 3 | b d e f h | {“ID”:”[3,2,4]”,”METRIC”:”[0.4,0.4,0.19999999999999996]”} |

| 4 | a c e d m | {“ID”:”[3,2,4]”,”METRIC”:”[0.33333333333333337,0.33333333333333337,0.33333333333333337]”} |