spark厦大---Word2Vec--spark.ml_综合

来源：http://mocom.xmu.edu.cn/article/show/587f103faa2c3f280956e7b6/0/1

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：

spark厦大---Word2Vec--spark.ml

　　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： $\frac{1}{T} T \sum t = 1 s u m_{j = ? k}^{j = k} l o g p (w_{t + j} | w_{t})$ 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：

$p (w_{i} | w_{j}) = \frac{e x p (u {w_{i}}^{T} v w_{j})}{s u m_{l = 1}^{V} e x p (u_{l}^{T} v w_{j})}$

? 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 $O (l o g (V))$ 。

? 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@225a9fc6scala> 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]

? 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, 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。