Java 类名：com.alibaba.alink.pipeline.nlp.Word2Vec
Python 类名：Word2Vec

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/

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 ✓
alpha 学习率 学习率 Double 0.025
minCount 最小词频 最小词频 Integer 5
modelFilePath 模型的文件路径 模型的文件路径 String null
numIter 迭代次数 迭代次数，默认为1。 Integer 1
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
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”
randomWindow 是否使用随机窗口 是否使用随机窗口，默认使用 String “true”
reservedCols 算法保留列名 算法保留列 String[] null
vectorSize embedding的向量长度 embedding的向量长度 Integer [1, +inf) 100
window 窗口大小 窗口大小 Integer 5
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. inOp = BatchOperator.fromDataframe(df, schemaStr='tokens string')
  12. word2vec = Word2Vec().setSelectedCol("tokens").setMinCount(1).setVectorSize(4)
  13. word2vec.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.nlp.Word2Vec;
  6. import org.junit.Test;
  8. import java.util.Arrays;
  9. import java.util.List;
  11. public class Word2VecTest {
  12.     @Test
  13.     public void testWord2Vec() throws Exception {
  14.         List <Row> df = Arrays.asList(
  15.             Row.of("A B C")
  16.         );
  17.         BatchOperator <?> inOp = new MemSourceBatchOp(df, "tokens string");
  18.         Word2Vec word2vec = new Word2Vec().setSelectedCol("tokens").setMinCount(1).setVectorSize(4);
  19.         word2vec.fit(inOp).transform(inOp).print();
  20.     }
  21. }

运行结果

| tokens | | —- |

| 0.731000431888515 0.40841702428161525 0.5173676180773374 0.3393047625647364 |