基于spark和sparkstreaming的word2vec

概述

Word2vec是一款由谷歌发布开源的自然语言处理算法，其目的是把words转换成vectors，从而可以用数学的方法来分析words之间的关系。Spark其该算法进行了封装，并在mllib中实现。

整体流程是spark离线训练模型，可以是1小时1训练也可以1天1训练，根据具体业务来判断，sparkstreaming在线分析。

由于历史问题，spark还在用1.5.0，接口上和2.1还是有点区别，大概看了下文档，流程上差不多

spark离线训练

如下代码，通过word2vec训练出一个模型，并且找出“导弹”的10个近义词

    val input = sc.textFile("word2vec.txt").map(line => line.split(" ").toSeq)
    val word2vec = new Word2Vec()
    word2vec.setMinCount(1)
    word2vec.setNumPartitions(1)
    word2vec.setNumIterations(1)
    val model = word2vec.fit(input)
    val synonyms = model.findSynonyms("导弹", 10)
    for((synonym, cosineSimilarity) <- synonyms) {
      println(s"$synonym $cosineSimilarity")
    }

　　model.save(sc,"myModelPath")

参数解释

参数	默认	解释
vectorSize	100	向量的维度，一般维度不会太大，通常在100-500
learningRate	0.025	Sets initial learning rate
numPartitions	1	分区个数，设置多个可以提高计算效率，但会少量的numpartitions有利于精确度
numIterations	1	迭代次数，应该小于等于numPartitions

经过粗略的测试，适当提高numPartition可以加快word2vec的计算速度

测试结果

每次测试的结果都有点不同，大致差不多

这里说明一点，结果中第一个字段是word，第二个字段是余弦相似度，由于sparkmllib考虑到计算效率，没有用完成的余弦相似度公式，所以结果会大于1，但这并不影响相似度的判断

测试数据下载地址，数据集为搜狗语料分类中的军事篇

http://files.cnblogs.com/files/ulysses-you/word2vec.zip

sparkstreaming在线分析

这个demo用了socket接口（这样测试是最方便的..），实现了在线对word2vec模型的调用

  val model = Word2VecModel.load(ssc.sparkContext, "myModelPath")
  val lines = ssc.socketTextStream("localhost",9999)
    // Split each line into words
    val words = lines.flatMap(_.split(" "))
    // Count each word in each batch
    words.map{word =>
      val synonyms = model.findSynonyms(word,10)
      for((synonym, cosineSimilarity) <- synonyms) {
        println(s"syn => $synonym $cosineSimilarity")
      }
    }

参考资料

//numPartitions和numIterations数量的相似问题

http://stackoverflow.com/questions/37582929/how-are-number-of-iterations-and-number-of-partitions-releated-in-apache-spark-w

//官方1.5.0版本的word2vec介绍

http://spark.apache.org/docs/1.5.0/mllib-feature-extraction.html#word2vec