Spark MLib Word2Vec 错误:词汇量应大于 0

我正在尝试使用 Spark 的 MLLib 实现词向量化。我遵循了这里给出的示例。

我有一组句子,我想将它们作为输入来训练模型。但我不确定这个模型是接受句子还是仅接受作为字符串序列的所有词。

我的输入如下:

scala> v.take(5)res31: Array[Seq[String]] = Array(List([WrappedArray(0_42)]), List([WrappedArray(big, baller, shoe, ?)]), List([WrappedArray(since, eliud, win, ,, quick, fact, from, runner, from, country, kalenjins, !, write, ., happy, quick, fact, kalenjins, location, :, kenya, (, kenya's, western, highland, rift, valley, ), population, :, 4, ., 9, million, ;, compose, 11, subtribes, language, :, kalenjin, ;, swahili, ;, english, church, :, christianity, ~, africa, inland, church, [, aic, ],, church, province, kenya, [, cpk, ],, roman, catholic, church, ;, islam, translation, :, kalenjin, translate, ", tell, ", formation, :, wwii, ,, gikuyu, tribal, member, wish, separate, create, identity, ., later, ,, student, attend, alliance, high, school, (, first, british, public, school, kenya, ), form, ...

但是当我尝试在这个输入上训练我的 Word2Vec 模型时,它不起作用。

scala> val word2vec = new Word2Vec()word2vec: org.apache.spark.mllib.feature.Word2Vec = org.apache.spark.mllib.feature.Word2Vec@51567040scala> val model = word2vec.fit(v)java.lang.IllegalArgumentException: requirement failed: The vocabulary size should be > 0. You may need to check the setting of minCount, which could be large enough to remove all your words in sentences.

Word2Vec 不能接受句子作为输入吗?


回答:

您的输入是正确的。然而,Word2Vec 会自动删除在词汇表中(所有句子合并)出现次数不满足最低要求的词。默认情况下,这个值是5。在您的情况下,很可能没有一个词在您使用的数据中出现5次或更多次。

要更改所需的最小词出现次数,请使用 setMinCount(),例如将最小计数设置为2:

val word2vec = new Word2Vec().setMinCount(2)

Related Posts

使用LSTM在Python中预测未来值

这段代码可以预测指定股票的当前日期之前的值,但不能预测…

如何在gensim的word2vec模型中查找双词组的相似性

我有一个word2vec模型,假设我使用的是googl…

dask_xgboost.predict 可以工作但无法显示 – 数据必须是一维的

我试图使用 XGBoost 创建模型。 看起来我成功地…

ML Tuning – Cross Validation in Spark

我在https://spark.apache.org/…

如何在React JS中使用fetch从REST API获取预测

我正在开发一个应用程序,其中Flask REST AP…

如何分析ML.NET中多类分类预测得分数组?

我在ML.NET中创建了一个多类分类项目。该项目可以对…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注