spark word2vec 源码_Word2Vec--spark.ml

返回 [Spark MLlib入门教程](http://mocom.xmu.edu.cn/article/show/5858ab782b2730e00d70fa08/0/1)

​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：



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。

​首先，导入Word2Vec所需要的包：

```scala

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

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

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

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

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。

更多

[

技术

] 文章