干货:基于Spark Mllib的SparkNLP库。
引言
这是来自John Snow Labs工程团队的社区博客和工作,解释了他们对开源Apache Spark自然语言处理(NLP)库的贡献。
Apache Spark是一个通用的集群计算框架,它支持分布式SQL,流式处理,图处理和机器学习。现在,Spark生态系统还有一个Spark Natural Language Processing库。
John Snow Labs NLP库是在Scala编写的Apache 2.0以上,不依赖于其他NLP或ML库。它本地扩展了Spark ML管道API。该框架提供了注释器的概念,并带出了以下内容:
标记生成器
规范化
词干提取
Lemmatizer
实体提取器
日期提取器
Part of Speech Tagger
命名实体识别
句子边界检测
情感分析
拼写检查器
另外,由于与Spark ML的紧密集成,在构建NLP管道时,您可以直接使用Spark的更多功能。这包括词语嵌入,主题建模,停用词移除,各种特征工程功能(tf-idf,n-gram,相似性度量等)以及在机器学习工作流中使用NLP注释作为特征。如果您不熟悉这些术语,那么理解NLP任务的指南是一个好的开始。
Spark ML提供了一套机器学习应用程序,它的逻辑由两个主要组件组成:估计器(Estimators)和 变换器(Transformers)。首先,有一个称为fit()的方法,将一段数据保存并传递给这样的应用程序,Transformer(一般是拟合过程的结果)将更改应用于目标数据集。这些组件已嵌入到适用于Spark NLP。 管道是允许单个工作流程中包含多个估计器和变换器的机制,允许沿机器学习任务进行多个链接转换。
注释(Annotation)
注释是Spark-NLP操作结果的基本形式。它的结构是由:
annotatorType: 哪个注释器生成了这个注释
begin: 匹配的内容相对于原始文本的开始。
end: 匹配的内容相对于原始文本的结尾
metadata: 匹配结果的内容和附加信息
该对象在转换处理结束后由注释器自动生成。不需要手动参与。但为了有效地使用它,必须按照顺序理解。
注解器(Annotators)
注解器是SparkNLP中NLP功能的先锋。有两种形式的注释器:
注解器方法:代表Spark ML Estimator并需要一个训练stage。他们有一个称为fit(data)的函数,它根据一些数据来训练一个模型。他们生产第二种类型的注释器,它是一个注释器模型或转换器(transformer)。
Annotator模型:它们是spark模型或转换器(transformer),意味着它们具有一个transform(data)函数,它接受一个数据集并添加一个带有这个标注结果的列。所有转换器(transformer)都是附加的,这意味着它们附加到当前数据,决不会替换或删除以前的信息。
这两种形式的注释器都可以包含在Pipeline中,并且会自动按照提供的顺序遍历所有阶段并相应地转换数据。在fit()阶段之后,Pipeline变成了PipelineModel。无论是之前还是之后,可以随时保存到磁盘并重新从磁盘加载。
公共函数
setInputCols(column_names):获取此注释器所需的注释列名称
setOutputCol( column_name):定义包含此注释器结果的列的名称。使用此名称作为其他注释器的输入,需要注释这个注释器。
例子分析
1 注释器类型
每个注释器都有一个类型。这些共享类型的注释器可以互换使用,这意味着您可以在需要时使用它们中的任何一个。例如,当另一个注释器(如情感分析注释器)需要令牌类型注释器时,可以提供标normalized token或lemma,因为两者都是类型标记。
2 使用spark读入数据
我们例子测试采用的是spark-shell的方式,spark-2.1.1版本以上,本文采用的是spark2.1.2,scala版本2.11.8,启动:
spark-shell --jars /opt/jars/spark-nlp-1.2.3.jar
3 加载数据并测试,
我们这里是先把数据赋值为名为data的变量
val data = spark.read.parquet("file:///opt/datas/*")
4 DocumentAssembler:获取数据
为何贯穿NLP处理过程,我们需要将原始数据进行标注。有一个特殊的transformer为我们做这件事情:DocumentAssembler,它会创建第一个类型为Document的注释,该注释会被以后的注解器使用。
import com.johnsnowlabs.nlp._
import com.johnsnowlabs.nlp.annotators._
import org.apache.spark.ml.Pipeline
val documentAssembler = new DocumentAssembler()
.setInputCol("text")
.setOutputCol("document")
5 句子检测及分词
在这个快速的例子中,我们现在开始在每个文档行中标识句子。SentenceDetectorModel需要一个由DocumentAssembler输出提供的Document注释,它本身是一个Document类型标记。RegexTokenizer需要一个Document注释类型,这意味着它与DocumentAssembler或SentenceDetector输出一起工作,在这里,我们使用句子输出。
import com.johnsnowlabs.nlp.annotators.sbd.pragmatic.SentenceDetectorModel
val sentenceDetector = new SentenceDetectorModel()
.setInputCols(Array("document"))
.setOutputCol("sentence")
val regexTokenizer = new RegexTokenizer()
.setInputCols(Array("sentence"))
.setOutputCol("token")
6 使用管道(pipeline)
现在我们要把所有这些放在一起并检索结果,我们使用Pipeline来做到这一点。我们还包含另一个特殊的变形器,称为“ Finisher”,以人类语言显示标记
val finisher = new Finisher()
.setInputCols("token")
.setCleanAnnotations(false)
val pipeline = new Pipeline()
.setStages(Array(
documentAssembler,
sentenceDetector,
regexTokenizer,
finisher
))
pipeline
.fit(data)
.transform(data)
.show()
也可以按照spark的输出文件的格式保存结果,比如:
pipeline.fit(data).transform(data).toJSON.write.text("file:///opt/output")
7 输出为