Spark Word2vec矢量数学

我在看Word2Ven:的Spark站点示例

val input = sc.textFile("text8").map(line => line.split(" ").toSeq)
val word2vec = new Word2Vec()
val model = word2vec.fit(input)
val synonyms = model.findSynonyms("country name here", 40)

我该如何做有趣的向量，比如国王-男人+女人=王后。我可以使用model.getVectors，但不确定如何进一步操作。

这里有一个pyspark的例子，我想它可以直接移植到Scala，关键是model.transform的使用。

首先，我们按照示例训练模型：

from pyspark import SparkContext
from pyspark.mllib.feature import Word2Vec
sc = SparkContext()
inp = sc.textFile("text8_lines").map(lambda row: row.split(" "))
k = 220         # vector dimensionality
word2vec = Word2Vec().setVectorSize(k)
model = word2vec.fit(inp)

k是单词向量的维度-越高越好（默认值为100），但您需要内存，我的机器可以使用的最高数字是220。（编辑：相关出版物中的典型值在300到1000之间）

在我们训练了模型之后，我们可以定义一个简单的函数如下：

def getAnalogy(s, model):
    qry = model.transform(s[0]) - model.transform(s[1]) - model.transform(s[2])
    res = model.findSynonyms((-1)*qry,5) # return 5 "synonyms"
    res = [x[0] for x in res]
    for k in range(0,3):
        if s[k] in res:
            res.remove(s[k])
    return res[0]

现在，以下是一些国家及其首都的例子：

s = ('france', 'paris', 'portugal')
getAnalogy(s, model)
# u'lisbon'
s = ('china', 'beijing', 'russia')
getAnalogy(s, model)
# u'moscow'
s = ('spain', 'madrid', 'greece')
getAnalogy(s, model)
# u'athens'
s = ('germany', 'berlin', 'portugal')
getAnalogy(s, model)
# u'lisbon'
s = ('japan', 'tokyo', 'sweden')
getAnalogy(s, model)    
# u'stockholm'
s = ('finland', 'helsinki', 'iran')
getAnalogy(s, model)
# u'tehran'
s = ('egypt', 'cairo', 'finland')
getAnalogy(s, model)
# u'helsinki'

结果并不总是正确的——我将留给您进行实验，但随着更多的训练数据和向量维度k的增加，结果会变得更好。

函数中的for循环删除了属于输入查询本身的条目，因为我注意到，正确答案通常是返回列表中的第二个，第一个通常是输入项之一。

  val w2v_map = sameModel.getVectors//this gives u a map {word:vec}
  val (king, man, woman) = (w2v_map.get("king").get, w2v_map.get("man").get, w2v_map.get("women").get)
  val n = king.length
  //daxpy(n: Int, da: Double, dx: Array[Double], incx: Int, dy: Array[Double], incy: Int);
  blas.saxpy(n,-1,man,1,king,1)
  blas.saxpy(n,1,woman,1,king,1)
  val vec = new DenseVector(king.map(_.toDouble))
  val most_similar_word_to_vector = sameModel.findSynonyms(vec, 10) //they have an api to get synonyms for word, and one for vector
  for((synonym, cosineSimilarity) <- most_similar_word_to_vector) {
    println(s"$synonym $cosineSimilarity")
  }

运行结果如下：

women 0.628454885964967
philip 0.5539534290356802
henry 0.5520055707837214
vii 0.5455116413024774
elizabeth 0.5290994886254643
**queen 0.5162519562606844**
men 0.5133851770249461
wenceslaus 0.5127030522678778
viii 0.5104392579985102
eldest 0.510425791249559

这是伪代码。有关完整实施，请阅读文档：https://spark.apache.org/docs/1.4.0/api/java/org/apache/spark/mllib/feature/Word2VecModel.html

w2v_map = model.getVectors() # this gives u a map {word:vec}
my_vector = w2v_map.get('king') - w2v_map.get('man') + w2v_map.get('queen') # do vector algebra here
most_similar_word_to_vector = model.findSynonyms(my_vector, 10) # they have an api to get synonyms for word, and one for vector

编辑：https://spark.apache.org/docs/1.4.0/api/java/org/apache/spark/mllib/feature/Word2VecModel.html#findSynonyms（org.apache.spark.mllib.linalg.Vvector，%20int）

相关内容

最新更新

热门标签：