- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有一个包含词嵌入的文件(将词嵌入定义为词的向量表示),格式如下:
a | [0.23, 0.04, ..., -0.22]
aaron | [0.21, 0.08, ..., -0.41]
... | ...
zebra | [0.97, 0.01, ..., -0.34]
这个文件大约有 2.5 GB。我还有大量的句子想转成向量,例如:
Yes sir, today is a great day.
Would you want to buy that blue shirt?
...
Is there anything else I can help you with?
我的句子嵌入策略现在很简单:
For each sentence:
For each word:
Obtain the vector representation of the word using the word embedding file.
End
Calculate the average of the word vectors of the sentence.
End
我想既然我有大量的句子要嵌入,我可以使用 Spark 来完成这项任务;将词嵌入作为文件存储在 HDFS 中,并使用 Spark SQL 从 Hive 表中查询句子,但是由于每个节点可能需要访问整个词嵌入文件,这意味着在每个节点中收集整个词嵌入 RDD节点,使得节点之间的通信非常昂贵。
有人对如何有效解决这个问题有任何想法吗?如果问题不明确或者您认为我误解了 Spark 的工作方式,也请告诉我。我仍在学习,非常感谢您的帮助!
提前致谢。
最佳答案
您可以执行以下操作:
my_embeddings = spark.read.csv(path="path/to/your_file.csv", sep="|")
pyspark api docs 这样的东西更改 DataFrame 架构 (my_embeddings.schema
) 以匹配以下内容:
StructType(List(StructField(word,StringType,true),StructField(vector,ArrayType(FloatType,true),true)))
Word2Vec
模型并保存到 hdfs。 pyspark api docs
model_name.write().overwrite().save("your_hdfs_path_to/model_name")
your_hdfs_path_to/model_name/data/
目录中创建的嵌入 DataFrame 覆盖小型和简单的 Word2Vec
模型数据。
my_embeddings.write.parquet("your_hdfs_path_to/model_name/data/", mode='overwrite')
Word2VecModel.load("your_hdfs_path_to/model_name")
加载 Word2Vec
模型 pyspark api docs RegexTokenizer
标记您的句子 pyspark api docs 一起(猜测某些参数,并使用 pySpark):
import pyspark
from pyspark.sql import SparkSession
from pyspark.ml.feature import RegexTokenizer
from pyspark.ml.feature import Word2Vec, Word2VecModel
from pyspark.ml import Pipeline, PipelineModel
spark = (
SparkSession
.builder
.master('yarn')
.appName('my_embeddings')
.getOrCreate()
)
my_embeddings = spark.read.csv(path="path/to/your_embeddings.csv", sep="|")
my_embeddings.schema
# needs to be
# StructType(List(StructField(word,StringType,true),StructField(vector,ArrayType(FloatType,true),true)))
my_sentences = spark.read.csv(path="path/to/your_sentences.csv", sep="|")
tokenizer = (
RegexTokenizer()
.setInputCol("sentences")
.setOutputCol("tokens")
.setPattern("\w+")
)
words2vecs = (
Word2Vec()
.setInputCol("tokens")
.setOutputCol("vecs")
.setMinCount(1)
.setNumPartitions(5)
.setStepSize(0.1)
.setWindowSize(5)
.setVectorSize(200)
.setMaxSentenceLength(1)
)
pipeline = (
Pipeline()
.setStages([tokenizer, words2vecs])
)
pipe_model = pipeline.fit(my_sentences.limit(100))
pipe_model.stages[1].write().overwrite().save("your_hdfs_path_to/model_name")
my_embeddings.write.parquet("your_hdfs_path_to/model_name/data/", mode='overwrite')
my_embedding_model = Word2VecModel.load("your_hdfs_path_to/model_name")
df_final = my_embedding_model.transform(tokenizer.transform(my_sentences))
关于apache-spark - 在分布式 Spark 系统中嵌入句子的最有效方法是什么?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54029960/
目前正在学习 Spark 的类(class)并了解到执行者的定义: Each executor will hold a chunk of the data to be processed. Thisc
阅读了有关 http://spark.apache.org/docs/0.8.0/cluster-overview.html 的一些文档后,我有一些问题想要澄清。 以 Spark 为例: JavaSp
Spark核心中的调度器与以下Spark Stack(来自Learning Spark:Lightning-Fast Big Data Analysis一书)中的Standalone Schedule
我想在 spark-submit 或 start 处设置 spark.eventLog.enabled 和 spark.eventLog.dir -all level -- 不要求在 scala/ja
我有来自 SQL Server 的数据,需要在 Apache Spark (Databricks) 中进行操作。 在 SQL Server 中,此表的三个键列使用区分大小写的 COLLATION 选项
所有这些有什么区别和用途? spark.local.ip spark.driver.host spark.driver.bind地址 spark.driver.hostname 如何将机器修复为 Sp
我有大约 10 个 Spark 作业,每个作业都会进行一些转换并将数据加载到数据库中。必须为每个作业单独打开和关闭 Spark session ,每次初始化都会耗费时间。 是否可以只创建一次 Spar
/Downloads/spark-3.0.1-bin-hadoop2.7/bin$ ./spark-shell 20/09/23 10:58:45 WARN Utils: Your hostname,
我是 Spark 的完全新手,并且刚刚开始对此进行更多探索。我选择了更长的路径,不使用任何 CDH 发行版安装 hadoop,并且我从 Apache 网站安装了 Hadoop 并自己设置配置文件以了解
TL; 博士 Spark UI 显示的内核和内存数量与我在使用 spark-submit 时要求的数量不同 更多细节: 我在独立模式下运行 Spark 1.6。 当我运行 spark-submit 时
spark-submit 上的文档说明如下: The spark-submit script in Spark’s bin directory is used to launch applicatio
关闭。这个问题是opinion-based .它目前不接受答案。 想改善这个问题吗?更新问题,以便可以通过 editing this post 用事实和引文回答问题. 6 个月前关闭。 Improve
我想了解接收器如何在 Spark Streaming 中工作。根据我的理解,将有一个接收器任务在执行器中运行,用于收集数据并保存为 RDD。当调用 start() 时,接收器开始读取。需要澄清以下内容
有没有办法在不同线程中使用相同的 spark 上下文并行运行多个 spark 作业? 我尝试使用 Vertx 3,但看起来每个作业都在排队并按顺序启动。 如何让它在相同的 spark 上下文中同时运行
我们有一个 Spark 流应用程序,这是一项长期运行的任务。事件日志指向 hdfs 位置 hdfs://spark-history,当我们开始流式传输应用程序时正在其中创建 application_X
我们正在尝试找到一种加载 Spark (2.x) ML 训练模型的方法,以便根据请求(通过 REST 接口(interface))我们可以查询它并获得预测,例如http://predictor.com
Spark newb 问题:我在 spark-sql 中进行完全相同的 Spark SQL 查询并在 spark-shell . spark-shell版本大约需要 10 秒,而 spark-sql版
我正在使用 Spark 流。根据 Spark 编程指南(参见 http://spark.apache.org/docs/latest/programming-guide.html#accumulato
我正在使用 CDH 5.2。我可以使用 spark-shell 运行命令。 如何运行包含spark命令的文件(file.spark)。 有没有办法在不使用 sbt 的情况下在 CDH 5.2 中运行/
我使用 Elasticsearch 已经有一段时间了,但使用 Cassandra 的经验很少。 现在,我有一个项目想要使用 Spark 来处理数据,但我需要决定是否应该使用 Cassandra 还是
我是一名优秀的程序员,十分优秀!