文章相似性是在字串相似性的基礎上,基於詞,計算兩兩文章或者句子之間的相似性,其中文章或句子需要以空格分割。本文為您介紹文章相似性演算法組件的配置方法。
背景資訊
文章相似性的計算方式和字串相似性類似,支援Levenshtein(Levenshtein Distance)、lCS(Longest Common SubString)、SSK(String Subsequence Kernel)、Cosine(Cosine)和Simhash_Hamming五種相似性計算方式。
Levenshtein支援計算距離和相似性。
距離在參數中表示為levenshtein。
相似性=1-距離。在參數中表示為levenshtein_sim。
lCS支援計算距離和相似性。
距離在參數中表示為lcs。
相似性=1-距離。相似性在參數中表示為lcs_sim。
SSK支援計算相似性,在參數中表示為ssk。
Cosine支援計算相似性,在參數中表示為cosine。
Simhash_Hamming,其中SimHash演算法是把原始的文本映射為64位的二進位指紋,Hamming Distance則是計算二進位指紋在相同位置上不同字元的個數,支援計算距離和相似性。
距離在參數中表示為simhash_hamming。
相似性=1-距離/64.0。相似性在參數中表示為simhash_hamming_sim。
說明關於SimHash詳細介紹請參見Similarity Estimation Techniques from Rounding Algorithms。
關於HammingDistance詳細介紹請參見wiki。
使用限制
支援的計算引擎為MaxCompute。
組件配置
您可以使用以下任意一種方式,配置文章相似性組件參數。
方式一:可視化方式
在Designer(原PAI-Studio)工作流程頁面配置組件參數。
頁簽 | 參數 | 描述 |
欄位設定 | 相似性計算中第一列的列名 | 預設為表中第一個string類型的列名。 |
相似性計算中第二列的列名 | 預設為表中第二個string類型的列名。 | |
輸出表追加的列名 | 指定輸出表中追加的列名。 | |
輸出表中相似性列的列名 | 指定輸出表中相似性列的列名,預設值為output。 說明 列名中不能有特殊字元,只能用英文的a-z,A-Z及數字和底線_,且以字母開頭,名稱的長度不超過128位元組。 | |
參數設定 | 相似性計算方法 | 指定相似性計算方法類型。取值範圍為:
|
子串的長度,ssk和cosine中可用 | 僅當相似性計算方法取值為levenshtein、ssk或cosine時,該參數生效。取值範圍為(0,100)。預設值為2。 | |
匹配片語合的權重,ssk中可用 | 僅當相似性計算方法取值為ssk時,該參數生效。取值範圍為(0,1)。預設值為0.5。 | |
執行調優 | 計算的核心數 | 系統自動選擇。 |
每個核心的記憶體(MB) | 系統自動選擇。 |
方式二:PAI命令方式
使用PAI命令方式,配置該組件參數。您可以使用SQL指令碼組件進行PAI命令調用,詳情請參見SQL指令碼。
PAI -name doc_similarity
-project algo_public
-DinputTableName="pai_test_doc_similarity"
-DoutputTableName="pai_test_doc_similarity_output"
-DinputSelectedColName1="col0"
-DinputSelectedColName2="col1"
參數名稱 | 是否必選 | 描述1 | 預設值 |
inputTableName | 是 | 輸入表的表名。 | 無 |
outputTableName | 是 | 輸出表的表名。 | 無 |
inputSelectedColName1 | 否 | 相似性計算中第一列的列名。 | 表中第一個類型為string的列名 |
inputSelectedColName2 | 否 | 相似性計算中第二列的列名。 | 表中第二個類型為string的列名 |
inputAppendColNames | 否 | 輸出表追加的列名。 | 不追加 |
inputTablePartitions | 否 | 輸入表選中的分區。 | 選擇全表 |
outputColName | 否 | 輸出表中相似性列的列名。 說明 列名中不能有特殊字元,只能用英文的a-z,A-Z及數字和底線_,且以字母開頭,名稱的長度不超過128位元組。 | output |
method | 否 | 相似性計算方法,取值範圍:
| levenshtein_sim |
lambda | 否 | 匹配片語合的權重,ssk中可用,取值範圍為(0,1)。 | 0.5 |
k | 否 | 子串的長度,ssk和cosine中可用。取值範圍為(0,100)。 | 2 |
lifecycle | 否 | 指定輸出表的生命週期。 | 無 |
coreNum | 否 | 計算的核心數。 | 系統自動分配 |
memSizePerCore | 否 | 每個核心的記憶體,單位為MB。 | 系統自動分配 |
樣本
產生資料
使用ODPS SQL節點建立表pai_ft_string_similarity_topn_input。命令如下:
drop table if exists pai_doc_similarity_input; create table pai_doc_similarity_input as select * from ( select 0 as id, "北京 上海" as col0, "北京 上海" as col1 union all select 1 as id, "北京 上海" as col0, "北京 上海 深圳" as col1 )tmp
執行成功後,輸入表pai_doc_similarity_input的資料如下:
id
col0
col1
1
北京 上海
北京 上海 深圳
0
北京 上海
北京 上海
運行PAI命令
您可以使用SQL指令碼執行如下PAI命令,也可以使用ODPS SQL節點執行如下PAI命令。
drop table if exists pai_doc_similarity_output; PAI -name doc_similarity -project algo_public -DinputTableName=pai_doc_similarity_input -DoutputTableName=pai_doc_similarity_output -DinputSelectedColName1=col0 -DinputSelectedColName2=col1 -Dmethod=levenshtein_sim -DinputAppendColNames=id,col0,col1;
輸出結果
輸出表為pai_doc_similarity_output,如下所示。
id
col0
col1
output
1
北京 上海
北京 上海 深圳
0.6666666666666667
0
北京 上海
北京 上海
1.0
常見問題
相似性計算是基於分詞的結果,即以空格分割的每個詞作為相似性計算的一個單位。如果是以字串整體輸入,需要使用字串相似性方法。
參數method中,levenshtein、lcs、simhash_hamming為計算距離。levenshtein_sim、lcs_sim、ssk、cosine、simhash_hamming_sim為計算相似性。距離=1.0-相似性。
相似性計算方法為cosine或ssk時,存在參數k,表示以k個詞作為一個組合,進行相似性計算。如果k大於詞的個數,即是兩個相同的字串,相似性輸出也為0。此時需要調小k的值,使其小於或等於最小詞個數。
相關文檔
關於Designer組件更詳細的內容介紹,請參見Designer概述。
您可以使用字串相似性組件來計算字串相似性,詳情請參見字串相似性。
Designer預置了多種演算法組件,你可以根據不同的使用情境選擇合適的組件進行資料處理,詳情請參見組件參考:所有組件匯總。