如何在 Spark 中将 n-gram 组合成一个词汇表？

Question

想知道是否有内置的 Spark 功能可以将 1-、2-、n-gram 特征组合成一个词汇表。在NGram 中设置n=2，然后调用CountVectorizer 会产生一个仅包含2-gram 的字典。我真正想要的是将所有频繁出现的 1-gram、2-gram 等组合到我的语料库中的一本字典中。

Answer 1

您可以训练单独的 NGram 和 CountVectorizer 模型并使用 VectorAssembler 进行合并。

from pyspark.ml.feature import NGram, CountVectorizer, VectorAssembler
from pyspark.ml import Pipeline


def build_ngrams(inputCol="tokens", n=3):

    ngrams = [
        NGram(n=i, inputCol="tokens", outputCol="{0}_grams".format(i))
        for i in range(1, n + 1)
    ]

    vectorizers = [
        CountVectorizer(inputCol="{0}_grams".format(i),
            outputCol="{0}_counts".format(i))
        for i in range(1, n + 1)
    ]

    assembler = [VectorAssembler(
        inputCols=["{0}_counts".format(i) for i in range(1, n + 1)],
        outputCol="features"
    )]

    return Pipeline(stages=ngrams + vectorizers + assembler)

示例用法：

df = spark.createDataFrame([
  (1, ["a", "b", "c", "d"]),
  (2, ["d", "e", "d"])
], ("id", "tokens"))

build_ngrams().fit(df).transform(df)