Spark NLP的一些基础方法

Posted 2022-11-29 dqz_nihao

Spark NLP的一些基础方法

1.DocumentAssembler：获取数据
为了通过 NLP 过程，我们需要对原始数据进行注释。有一个特殊的转换器可以为我们执行此操作：DocumentAssembler，它创建了第一个Document类型的注释。

val documentAssembler = new DocumentAssembler().
	setInputCol("text").
	setOutputCol("document")

2.Sentence detection and tokenization：识别输入文档中的句子
SentenceDetector 需要一个 Document 注释，它由 DocumentAssembler 输出提供，它本身就是一个 Document 类型标记。Tokenizer 需要一个 Document 注释类型。这意味着它适用于 DocumentAssembler 或 SentenceDetector 输出。在以下示例中，我们使用句子输出。

val sentenceDetector = new SentenceDetector().
	setInputCols(Array("document")).
 	setOutputCol("sentence")
val regexTokenizer = new Tokenizer().
	setInputCols(Array("sentence")).
	setOutputCol("token")

3.Finisher：获取数据
在每个管道或 Spark NLP 完成的任何阶段的末尾，可能希望获得结果是到另一个管道或者简单地将它们写入磁盘。该Finisher注释可以帮助清理元数据（如果它设置为true），并将结果输出到一个数组：

val finisher = new Finisher()
	 .setInputCols("token")
	 .setIncludeMetadata(true)

如果需要从结构类型列以外的任何注释中获得扁平化的 DataFrame（新列中的每个子数组），可以使用explode Spark SQL 中的函数。还可以使用 Apache Spark 函数 (SQL) 以需要的任何方式操作输出 DataFrame。在这里，我们将Token和 NER 结果结合在一起：

finisher.withColumn("newCol", explode(arrays_zip($"finished_token", $"finished_ner")))

import org.apache.spark.sql.functions._

df.withColumn("tmp", explode(col("chunk"))).select("tmp.*")

4.使用 Spark ML 管道
现在想把所有这些放在一起并检索结果，可以使用管道。在 fit() 中使用将在转换中使用的相同数据，因为没有一个管道阶段有训练阶段。

val pipeline = new Pipeline().
setStages(Array(
    documentAssembler,
    sentenceDetector,
    regexTokenizer,
    finisher
))

val data = Seq("hello, this is an example sentence").toDF("text")
val annotations = pipeline.
  fit(data).
 transform(data).toDF("text"))

annotations.select("finished_token").show(truncate=false)

SparkML 管道是一种统一的结构，有助于创建和调整实用的机器学习管道。Spark NLP 与它们无缝集成，因此掌握这个概念很重要。一旦使用fit()训练了 流水线，它就变成了流水线模型

5.使用 Spark NLP 的 LightPipeline
LightPipeline 是 Spark NLP 特定的 Pipeline 类，相当于 Spark ML Pipeline。不同之处在于它的执行不遵循 Spark 原则，而是在本地（但并行）计算所有内容，以便在处理少量数据时获得快速结果。这意味着，我们不输入 Spark Dataframe，而是输入一个字符串或一个字符串数组，以进行注释。要创建 Light Pipelines，需要输入一个已经训练（fit）的 Spark ML Pipeline。它的 transform() 阶段被转换为 annotate() 。

import com.johnsnowlabs.nlp.base._
val explainDocumentPipeline = PretrainedPipeline("explain_document_ml")
val lightPipeline = new LightPipeline(explainDocumentPipeline.model)
lightPipeline.annotate("Hello world, please annotate my text")

LightPipelines 是 Spark ML 管道转换为单机多线程任务，对于较小的数据量，速度提高了 10 倍以上（较小是相对的，但 50k 句子大致是一个很好的最大值）。要使用它们，只需插入经过训练的（装配好的）管道即可。