使用 Word2VecModel.transform() 在地图功能中不起作用

Question

我已经使用 Spark 构建了一个 Word2Vec 模型并将其保存为模型。现在，我想在另一个代码中使用它作为离线模型。我已经加载了模型并用它来呈现一个单词的向量（例如你好）并且效果很好。但是，我需要在 RDD 中使用 map 来调用它。

当我在 map 函数中调用 model.transform() 时，它会抛出这个错误：

“您似乎正在尝试从广播中引用 SparkContext” 例外：您似乎正试图从广播变量、操作或转换中引用 SparkContext。 SparkContext 只能在驱动程序上使用，不能在它在工作人员上运行的代码中使用。有关详细信息，请参阅 SPARK-5063。

代码：

from pyspark import SparkContext
from pyspark.mllib.feature import Word2Vec
from pyspark.mllib.feature import Word2VecModel

sc = SparkContext('local[4]',appName='Word2Vec')

model=Word2VecModel.load(sc, "word2vecModel")

x= model.transform("Hello")
print(x[0]) # it works fine and returns [0.234, 0.800,....]

y=sc.parallelize([['Hello'],['test']])
y.map(lambda w: model.transform(w[0])).collect() #it throws the error

非常感谢您的帮助。

Answer 1

这是一种预期的行为。与其他 MLlib 模型一样，Python 对象只是 Scala 模型的包装器，实际处理委托给其对应的 JVM。由于工作人员无法访问 Py4J 网关（请参阅 How to use Java/Scala function from an action or a transformation?），因此您无法从操作或转换中调用 Java / Scala 方法。

通常 MLlib 模型提供了一个辅助方法，可以直接在 RDD 上工作，但这里不是这样。 Word2VecModel 提供了 getVectors 方法，该方法返回从单词到向量的映射，但不幸的是它是 JavaMap，因此它在转换中不起作用。你可以试试这样的：

from pyspark.mllib.linalg import DenseVector

vectors_ = model.getVectors() # py4j.java_collections.JavaMap
vectors = {k: DenseVector([x for x in vectors_.get(k)])
    for k in vectors_.keys()}

获取 Python 字典，但它会非常慢。另一种选择是以 Python 可以使用的形式将此对象转储到磁盘，但它需要对 Py4J 进行一些修补，最好避免这种情况。而是让我们将模型读取为 DataFrame：

lookup = sqlContext.read.parquet("path_to_word2vec_model/data").alias("lookup")

我们将得到以下结构：

lookup.printSchema()
## root
## |-- word: string (nullable = true)
## |-- vector: array (nullable = true)
## |    |-- element: float (containsNull = true)

可用于将单词映射到向量，例如通过join:

from pyspark.sql.functions import col

words = sc.parallelize([('hello', ), ('test', )]).toDF(["word"]).alias("words")

words.join(lookup, col("words.word") == col("lookup.word"))

## +-----+-----+--------------------+
## | word| word|              vector|
## +-----+-----+--------------------+
## |hello|hello|[-0.030862354, -0...|
## | test| test|[-0.13154022, 0.2...|
## +-----+-----+--------------------+

如果数据适合驱动程序/工作人员内存，您可以尝试使用广播进行收集和映射：

lookup_bd = sc.broadcast(lookup.rdd.collectAsMap())
rdd = sc.parallelize([['Hello'],['test']])
rdd.map(lambda ws: [lookup_bd.value.get(w) for w in ws])