Java 类名：com.alibaba.alink.operator.stream.nlp.Word2VecPredictStreamOp
Python 类名：Word2VecPredictStreamOp

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/
预测是根据word2vec的结果和文档的分词结果，将文档转成向量，向量维数保持与词的维数一致，同时每个维度通过对文档中的词求平均或者最大或者最小取得。

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 | ✓ | | |

| 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 |

| predMethod | 向量组合方法 | 预测文档向量时，需要用到的方法。支持三种方法：平均（avg），最小（min）和最大（max），默认值为平均 | String | | “AVG”, “SUM”, “MIN”, “MAX” | “AVG” |

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

| wordDelimiter | 单词分隔符 | 单词之间的分隔符 | String | | | “ “ |

| 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.     ["A B C"]
  9. ])
  11. inOp1 = BatchOperator.fromDataframe(df, schemaStr='tokens string')
  12. inOp2 = StreamOperator.fromDataframe(df, schemaStr='tokens string')
  13. train = Word2VecTrainBatchOp().setSelectedCol("tokens").setMinCount(1).setVectorSize(4).linkFrom(inOp1)
  14. predictBatch = Word2VecPredictBatchOp().setSelectedCol("tokens").linkFrom(train, inOp1)
  16. train.lazyPrint(-1)
  17. predictBatch.print()
  19. predictStream = Word2VecPredictStreamOp(train).setSelectedCol("tokens").linkFrom(inOp2)
  20. predictStream.print()
  21. StreamOperator.execute()

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.nlp.Word2VecPredictBatchOp;
  5. import com.alibaba.alink.operator.batch.nlp.Word2VecTrainBatchOp;
  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.Word2VecPredictStreamOp;
  9. import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
  10. import org.junit.Test;
  12. import java.util.Arrays;
  13. import java.util.List;
  15. public class Word2VecPredictStreamOpTest {
  16.     @Test
  17.     public void testWord2VecPredictStreamOp() throws Exception {
  18.         List <Row> df = Arrays.asList(
  19.             Row.of("A B C")
  20.         );
  21.         BatchOperator <?> inOp1 = new MemSourceBatchOp(df, "tokens string");
  22.         StreamOperator <?> inOp2 = new MemSourceStreamOp(df, "tokens string");
  23.         BatchOperator <?> train = new Word2VecTrainBatchOp().setSelectedCol("tokens").setMinCount(1).setVectorSize(4)
  24.             .linkFrom(inOp1);
  25.         BatchOperator <?> predictBatch = new Word2VecPredictBatchOp().setSelectedCol("tokens").linkFrom(train, inOp1);
  26.         train.lazyPrint(-1);
  27.         predictBatch.print();
  28.         StreamOperator <?> predictStream = new Word2VecPredictStreamOp(train).setSelectedCol("tokens").linkFrom(inOp2);
  29.         predictStream.print();
  30.         StreamOperator.execute();
  31.     }
  32. }

运行结果

模型结果

| word | vec | | —- | —- |

| C | 0.7310850737482761 0.8314776897399809 0.24063859340592783 0.60638116694726 |

| B | 0.7307931808428079 0.1004040760012987 0.4100461085450439 0.40737703647812473 |

| A | 0.7310290783979052 0.2932944253292183 0.9013769146172511 0.004089307575571348 |

批预测结果

| tokens | | —- |

| 0.7309691109963297 0.40839206369016595 0.5173538721894075 0.3392825036669853 |

流预测结果

| tokens | | —- |

| 0.7309699600889779 0.40844142102496717 0.5173214287840606 0.3393146570468293 |