是否可以将word2vec预训练的可用矢量加载到spark中？

Question

有没有办法将Google's或Glove's预训练的矢量（模型）（例如GoogleNews-vectors-negative300.bin.gz）加载到spark中并执行诸如由spark提供的findSynonyms之类的操作？或者我是否需要从头开始进行装载和操作？

在这篇文章Load Word2Vec model in Spark中，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......但接下来是什么？

在我昨天发布的一个问题中，我得到了一个答案，Parquet格式的模型可以加载到spark中，因此我发布此问题以确保没有其他选项。

Answer 1

免责声明：我很新兴，但下面至少对我有用。

诀窍是弄清楚如何从一组单词向量构造Word2VecModel，以及在尝试以这种方式创建模型时处理一些陷阱。

首先，将单词向量加载到Map中。例如，我将单词向量保存为镶木地板格式（在名为“wordvectors.parquet”的文件夹中），其中“term”列包含String字，“vector”列将向量作为数组[float]保存，我可以在Java中加载它：

// 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如何工作的怪癖，您必须手动设置矢量大小，并以一种奇怪的方式这样做。否则它默认为100，并且在尝试调用.transform（）时出错。这是我发现有效的方法，不确定是否一切都是必要的：

 //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我训练的模型一样使用result.transform（）。

我没有测试过其他Word2VecModel函数，看它们是否正常工作，我只测试过.transform（）。