Spark 2.1.0 入门：特征抽取–Word2Vec(Python版)

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

$u_w$

和

$v_w$

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。

下面介绍ML库中Word2Vec类的使用。
我们默认名为spark的SparkSession已经创建。

首先，导入Word2Vec所需要的包，并创建三个词语序列，每个代表一个文档：

from pyspark.ml.feature import Word2Vec
documentDF = spark.createDataFrame([
    ("Hi I heard about Spark".split(" "), ),
    ("I wish Java could use case classes".split(" "), ),
    ("Logistic regression models are neat".split(" "), )
], ["text"])

新建一个Word2Vec，显然，它是一个Estimator，设置相应的超参数，这里设置特征向量的维度为3，Word2Vec模型还有其他可设置的超参数，具体的超参数描述可以参见这里。

word2Vec = Word2Vec(vectorSize=3, minCount=0, inputCol="text", outputCol="result")

读入训练数据，用fit()方法生成一个Word2VecModel。

model = word2Vec.fit(documentDF)

利用Word2VecModel把文档转变成特征向量。

result = model.transform(documentDF)
for row in result.collect():
    text, vector = row
    print("Text: [%s] => \nVector: %s\n" % (", ".join(text), str(vector)))


Text: [Hi, I, heard, about, Spark] => 
Vector: [0.0127797678113,-0.0934097565711,-0.108308439702]

Text: [I, wish, Java, could, use, case, classes] => 
Vector: [0.0761276933564,0.0345174372196,-0.0429060061329]

Text: [Logistic, regression, models, are, neat] => 
Vector: [-0.0675941422582,0.0452983468771,0.0530217912048]

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。

厦大数据库实验室博客