Spark TF-IDF
1、概念
TF-IDF (Term frequency-inverse document frequency)
TF-IDF(HashingTF and IDF)
“词频-逆向文件频率”(TF-IDF)是一种在文本挖掘中广泛使用的特征向量化方法,它可以体现一个文档中词语在语料库中的重要程度。
词语由t表示,文档由d表示,语料库由D表示。词频TF(t,d)是词语t在文档d中出现的次数。文件频率DF(t,D)是包含词语的文档的个数。
如果我们只使用词频来衡量重要性,很容易过度强调在文档中经常出现,却没有太多实际信息的词语,比如“a”,“the”以及“of”。
如果一个词语经常出现在语料库中,意味着它并不能很好的对文档进行区分。TF-IDF就是在数值化文档信息,衡量词语能提供多少信息以区分文档。
公式中使用log函数,当词出现在所有文档中时,它的IDF值变为0。加1是为了避免分母为0的情况。IDF 度量值表示如下:
IDF(t,D)=log((|D|+1)/(DF(t,D)+1))
,此处的|D]语料库中总的文档数,
术语频率和文档频率的定义有几种变体。在MLlib中,我们将TF和IDF分开以使其灵活。TF-IDF 度量值表示如下:
TFIDF(t,d,D)=TF(t,d)*IDF(t,D).
TF: HashingTF 是一个Transformer,在文本处理中,接收词条的集合然后把这些集合转化成固定长度的特征向量。
这个算法在哈希的同时会统计各个词条的词频。
IDF: IDF是一个Estimator,在一个数据集上应用它的fit()方法,产生一个IDFModel。
该IDFModel 接收特征向量(由HashingTF产生),然后计算每一个词在文档中出现的频次。
IDF会减少那些在语料库中出现频率较高的词的权重。
在下面的代码段中,我们以一组句子开始。首先使用分解器Tokenizer把句子划分为单个词语。
对每一个句子(词袋),我们使用HashingTF将句子转换为特征向量,最后使用IDF重新调整特征向量。
这种转换通常可以提高使用文本特征的性能。
Spark.mllib 中实现词频率统计使用特征hash的方式,原始特征通过hash函数,映射到一个索引值。后面只需要统计这些索引值的频率,就可以知道对应词的频率。
这种方式避免设计一个全局1对1的词到索引的映射,这个映射在映射大量语料库时需要花费更长的时间。
通过hash的方式可能会映射到同一个值的情况,即不同的原始特征通过Hash映射后是同一个值。
为了降低这种情况出现的概率,我们只能对特征向量升维。i.e., 提高hash表的桶数,默认特征维度是 2^20 = 1,048,576.
2、code,参考地址:https://github.com/asker124143222/spark-demo
package com.home.spark.ml import org.apache.spark.SparkConf import org.apache.spark.ml.feature._ import org.apache.spark.sql.{DataFrame, SparkSession} object Ex_TF_IDF { def main(args: Array[String]): Unit = { val conf = new SparkConf(true).setMaster("local[*]").setAppName("spark ml label") val spark = SparkSession.builder().config(conf).getOrCreate() val sentenceData = spark.createDataFrame(Seq( (0.0, "Hi I heard about Spark,I love spark"), (0.0, "I wish Java could use case classes"), (1.0, "Logistic regression models are neat,I like it") )).toDF("label", "sentence") //分词 val tokenizer = new RegexTokenizer().setInputCol("sentence").setOutputCol("words") .setPattern("\\W").setToLowercase(true) val wordsData: DataFrame = tokenizer.transform(sentenceData) wordsData.show(false) //hash向量化,hash桶的数量少容易出现hash碰撞 val hashingTF = new HashingTF().setInputCol("words").setOutputCol("rowFeatures").setNumFeatures(2000) val featurizedData = hashingTF.transform(wordsData) // alternatively, CountVectorizer can also be used to get term frequency vectors featurizedData.select("words","rowFeatures").show(false) //IDF是一个评估器,需要使用fit进行转换,生成模型 val idf = new IDF().setInputCol("rowFeatures").setOutputCol("features") val model: IDFModel = idf.fit(featurizedData) //IDF减少那些在语料库中出现频率较高的词的权重 //通过TF-IDF转换后得到带权重的向量值 val rescaleData = model.transform(featurizedData) rescaleData.select("words","rowFeatures","features").show(false) spark.stop() } }
3、result
-------------------------------------------------------------------------------+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ rowFeatures |features | -------------------------------------------------------------------------------+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ (2000,[240,1105,1329,1357,1777,1960],[1.0,2.0,2.0,1.0,1.0,1.0]) |(2000,[240,1105,1329,1357,1777,1960],[0.6931471805599453,1.3862943611198906,0.0,0.6931471805599453,0.6931471805599453,0.6931471805599453]) | (2000,[213,342,489,495,1329,1809,1967],[1.0,1.0,1.0,1.0,1.0,1.0,1.0]) |(2000,[213,342,489,495,1329,1809,1967],[0.6931471805599453,0.6931471805599453,0.6931471805599453,0.28768207245178085,0.0,0.6931471805599453,0.6931471805599453]) | (2000,[286,495,695,1138,1193,1329,1330,1604],[1.0,1.0,1.0,1.0,1.0,1.0,1.0,1.0])|(2000,[286,495,695,1138,1193,1329,1330,1604],[0.6931471805599453,0.28768207245178085,0.6931471805599453,0.6931471805599453,0.6931471805599453,0.0,0.6931471805599453,0.6931471805599453])| -------------------------------------------------------------------------------+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
所有词向量值都重新按权重计算。