Spark入门:Word2Vec

大数据学习路线图

【版权声明】博客内容由厦门大学数据库实验室拥有版权,未经允许,请勿转载!

[返回Spark教程首页]


​ Word2Vec 是一种著名的 词嵌入(Word Embedding) 方法,它可以计算每个单词在其给定语料库环境下的 分布式词向量(Distributed Representation,亦直接被称为词向量)。词向量表示可以在一定程度上刻画每个单词的语义。

如果词的语义相近,它们的词向量在向量空间中也相互接近,这使得词语的向量化建模更加精确,可以改善现有方法并提高鲁棒性。词向量已被证明在许多自然语言处理问题,如:机器翻译,标注问题,实体识别等问题中具有非常重要的作用。

​ Word2vec是一个Estimator,它采用一系列代表文档的词语来训练word2vecmodel。该模型将每个词语映射到一个固定大小的向量。word2vecmodel使用文档中每个词语的平均数来将文档转换为向量,然后这个向量可以作为预测的特征,来计算文档相似度计算等等。

​ Word2Vec具有两种模型,其一是 CBOW ,其思想是通过每个词的上下文窗口词词向量来预测中心词的词向量。其二是 Skip-gram,其思想是通过每个中心词来预测其上下文窗口词,并根据预测结果来修正中心词的词向量。两种方法示意图如下图所示:

cbow

skip

  在ml库中,Word2vec 的实现使用的是skip-gram模型。Skip-gram的训练目标是学习词表征向量分布,其优化目标是在给定中心词的词向量的情况下,最大化以下似然函数:

    \[\frac{1}{T}\sum_{t=1}^{T}\sum_{j=-k}^{j=k}log{p(w_{t+j}|w_t)}\]

其中,

    \[w_1\]

....

    \[w_t\]

是一系列词序列,这里

    \[w_t\]

代表中心词,而

    \[w_{t+j} (j \in [-k,k])\]

是上下文窗口中的词。
  这里,每一个上下文窗口词

    \[w_i\]

在给定中心词

    \[w_j\]

下的条件概率由类似 Softmax 函数(相当于Sigmoid函数的高维扩展版)的形式进行计算,如下式所示,其中

    \[u_w\]

    \[v_w\]

分别代表当前词的词向量以及当前上下文的词向量表示:

    \[p(w_i|w_j) = \frac{exp(u_{w_i}^{T}v_{w_j})}{\sum_{l=1}^{V}{exp(u_l^Tv_{w_j})}}\]

​ 因为Skip-gram模型使用的softmax计算较为复杂,所以,ml与其他经典的Word2Vec实现采用了相同的策略,使用Huffman树来进行 层次Softmax(Hierachical Softmax) 方法来进行优化,使得

    \[\log{p(w_i|w_j)}\]

计算的复杂度从

    \[O(V)\]

下降到

    \[O(log(V))\]

​ 在下面的代码段中,我们首先用一组文档,其中一个词语序列代表一个文档。对于每一个文档,我们将其转换为一个特征向量。此特征向量可以被传递到一个学习算法。

​ 首先,导入Word2Vec所需要的包:

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
import org.apache.spark.ml.feature.Word2Vec

​ 接下来,根据SparkContext来创建一个SQLContext,其中sc是一个已经存在的SparkContext;然后导入sqlContext.implicits._来实现RDD到Dataframe的隐式转换。

scala> val sqlContext = new SQLContext(sc)
sqlContext: org.apache.spark.sql.SQLContext = org.apache.spark.sql.SQLContext@225a9fc6

scala> import sqlContext.implicits._
import sqlContext.implicits._

​ 然后,创建三个词语序列,每个代表一个文档。

scala> val documentDF = sqlContext.createDataFrame(Seq(
     |       "Hi I heard about Spark".split(" "),
     |       "I wish Java could use case classes".split(" "),
     |       "Logistic regression models are neat".split(" ")
     |     ).map(Tuple1.apply)).toDF("text")
documentDF: org.apache.spark.sql.DataFrame = [text: array<string>]

​ 新建一个Word2Vec,设置相应的参数,这里设置特征向量的维度为3。具体的参数描述可以参见http://spark.apache.org/docs/1.6.2/api/scala/index.html#org.apache.spark.ml.feature.Word2Vec。

scala> val word2Vec = new Word2Vec().
     |       setInputCol("text").
     |       setOutputCol("result").
     |       setVectorSize(3).
     |       setMinCount(0)
word2Vec: org.apache.spark.ml.feature.Word2Vec = w2v_e2d5128ba199

​ 读入训练数据,用fit()方法生成一个Word2VecModel。

scala> val model = word2Vec.fit(documentDF)
model: org.apache.spark.ml.feature.Word2VecModel = w2v_e2d5128ba199

​ 利用Word2VecModel把文档转变成特征向量。

scala> val result = model.transform(documentDF)
result: org.apache.spark.sql.DataFrame = [text: array<string>, result: vector]

scala> result.select("result").take(3).foreach(println)
[[0.018490654602646827,-0.016248732805252075,0.04528368394821883]]
[[0.05958533100783825,0.023424440695505054,-0.027310076036623544]]
[[-0.011055880039930344,0.020988055132329465,0.042608972638845444]]

​ 我们可以看到文档被转变为了一个3维的特征向量,这些特征向量就可以被应用到相关的机器学习方法中。



子雨大数据之Spark入门
扫一扫访问本博客