如何使用 Spark 的 MLLib 对推文进行矢量化处理?

本文介绍了如何使用 Spark 的 MLLib 对推文进行矢量化处理?的处理方法，对大家解决问题具有一定的参考价值，需要的朋友们下面随着小编来一起学习吧！

问题描述

限时送ChatGPT账号..

我想将推文转换为用于机器学习的向量，以便我可以使用 Spark 的 K-Means 聚类基于内容对它们进行分类.例如，所有与亚马逊相关的推文都归入一个类别.

I'd like to turn tweets into vectors for machine learning, so that I can categorize them based on content using Spark's K-Means clustering. Ex, all tweets relating to Amazon get put into one category.

我曾尝试将推文拆分为单词并使用 HashingTF 创建向量，但效果不佳.

I have tried splitting the tweet into words and creating a vector using HashingTF, which wasn't very successful.

还有其他方法可以对推文进行矢量化处理吗?

Are there any other ways to vectorize tweets?

推荐答案

你可以试试这个管道:

首先，标记输入推文(位于 text 列中).基本上，它会创建一个新列 rawWords 作为从原始文本中提取的单词列表.为了得到这些词，它按字母数字词分割输入文本 (.setPattern("\\w+").setGaps(false))

First, tokenize the input Tweet (located in the column text). basically, it creates a new column rawWords as a list of words taken from the original text. To get these words, it splits the input text by alphanumeric words (.setPattern("\\w+").setGaps(false))

val tokenizer = new RegexTokenizer()
 .setInputCol("text")
 .setOutputCol("rawWords")
 .setPattern("\\w+")
 .setGaps(false)

其次，您可以考虑去除停用词以去除文本中不太重要的词，例如a、the、of，等

Secondly, you may consider remove the stop words to remove less significant words in the text, such as a, the, of, etc.

val stopWordsRemover = new StopWordsRemover()
 .setInputCol("rawWords")
 .setOutputCol("words")

现在是对 words 列进行矢量化的时候了.在这个例子中，我使用的是非常基本的 CountVectorizer.还有许多其他的，例如 TF-ID Vectorizer.您可以在此处找到更多信息.

Now it's time to vectorize the wordscolumn. In this example I'm using the CountVectorizerwhich is quite basic. There are many others such as the TF-ID Vectorizer. You can find more information here.

我已经配置了 CountVectorizer 以便它创建一个包含 10,000 个单词的词汇表，每个单词在所有文档中至少出现 5 次，在每个文档中至少出现 1 次.

I've configured the CountVectorizerso that it creates a vocabulary with 10,000 words, each word appearing a minimum of 5 times across all document, and a minimum of 1 on each document.

val countVectorizer = new CountVectorizer()
 .setInputCol("words")
 .setOutputCol("features")
 .setVocabSize(10000)
 .setMinDF(5.0)
 .setMinTF(1.0)

最后，只需创建管道，并通过传递数据集来拟合和转换管道生成的模型.

Finally, just create the pipeline, and fit and transform the model generated by the pipeline by passing the dataset.

val transformPipeline = new Pipeline()
 .setStages(Array(
   tokenizer,
   stopWordsRemover,
   countVectorizer))

transformPipeline.fit(training).transform(test)

希望有帮助.

这篇关于如何使用 Spark 的 MLLib 对推文进行矢量化处理?的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！