scala - 是否可以将 word2vec 预训练的可用向量加载到 Spark 中？

Question

有没有办法加载Google's或Glove's预先训练的向量(模型)，例如 GoogleNews-vectors-negative300.bin.gz进入 Spark 并执行 Spark 提供的诸如 findSynonyms 之类的操作？还是我需要从头开始加载和操作？

在这篇文章中Load Word2Vec model in Spark ，Tom Lous 建议将 bin 文件转换为 txt 并从那里开始，我已经这样做了..但是下一步是什么？

在我昨天发布的一个问题中，我得到了一个答案，即 Parquet 格式的模型可以加载到 Spark 中，因此我发布这个问题是为了确保没有其他选择。

Answer 1

免责声明:我对 Spark 还很陌生，但以下至少对我有用。

诀窍在于弄清楚如何从一组词向量构建 Word2VecModel 以及处理尝试以这种方式创建模型时遇到的一些问题。

首先，将词向量加载到 map 中。例如，我已将单词向量保存为 Parquet 格式(在名为“wordvectors.parquet”的文件夹中)，其中“term”列保存字符串单词，“向量”列将向量保存为数组[float]，我可以像 Java 中那样加载它:

// Loads the dataset with the "term" column holding the word and the "vector" column 
// holding the vector as an array[float] 
Dataset<Row> vectorModel = pSpark.read().parquet("wordvectors.parquet");

//convert dataset to a map.
Map<String, List<Float>> vectorMap = Arrays.stream((Row[])vectorModel.collect())
            .collect(Collectors.toMap(row -> row.getAs("term"), row -> row.getList(1)));

//convert to the format that the word2vec model expects float[] rather than List<Float>
Map<String, float[]> word2vecMap = vectorMap.entrySet().stream()
                .collect(Collectors.toMap(Map.Entry::getKey, entry -> (float[]) Floats.toArray(entry.getValue())));

//need to convert to scala immutable map because that's what word2vec needs
scala.collection.immutable.Map<String, float[]> scalaMap = toScalaImmutableMap(word2vecMap);

private static <K, V> scala.collection.immutable.Map<K, V> toScalaImmutableMap(Map<K, V> pFromMap) {
        final List<Tuple2<K,V>> list = pFromMap.entrySet().stream()
                .map(e -> Tuple2.apply(e.getKey(), e.getValue()))
                .collect(Collectors.toList());

        Seq<Tuple2<K,V>> scalaSeq = JavaConverters.asScalaBufferConverter(list).asScala().toSeq();

        return (scala.collection.immutable.Map<K, V>) scala.collection.immutable.Map$.MODULE$.apply(scalaSeq);
    }

现在您可以从头开始构建模型。由于 Word2VecModel 工作方式的一个怪癖，您必须手动设置向量大小，并且以一种奇怪的方式进行设置。否则，它默认为 100，并且在尝试调用 .transform() 时会出现错误。这是我发现的一种可行的方法，不确定是否一切都必要:

 //not used for fitting, only used for setting vector size param (not sure if this is needed or if result.set is enough
Word2Vec parent = new Word2Vec();
parent.setVectorSize(300);

Word2VecModel result = new Word2VecModel("w2vmodel", new org.apache.spark.mllib.feature.Word2VecModel(scalaMap)).setParent(parent);
        result.set(result.vectorSize(), 300);

现在您应该能够像使用自训练模型一样使用 result.transform() 。

我没有测试其他 Word2VecModel 函数来查看它们是否正常工作，我只测试了 .transform()。