# 特征提取

* [HashingTF](#1-hashingtf)
* [TF-IDF](#2-tf-idf)
* [Word2Vec\_spark](#13-word2vec-spark)
* [WordSegment](#14-wordsegment)

## 1. HashingTF

* **算法说明**

  HashingTF完成文本中词的Term Frequency的计算，该方法常见于文本数据的特征抽取。需要统计的词必须满足minTF和minDF两个条件，其中minTF指词w在该篇文档中出现的最小次数，minDF指所有文档中包含词w的最小文档数。
* **输入**
  * 格式：|word1 word2 word3 ...|
  * 说明：
    * HDFS路径：每行仅包括一个文本，文本中的所有词语以**空格**连接
    * TDW路径：文本单独为一列，所有词语以**空格**连接。每行还可包括其他字段，例如"文本ID"
* **输出**
  * 索引对应的tf值
    * 格式：|docId index1:tf1 index2:tf2 ...|
    * 说明：每行表示一篇文档中各个词索引对应的Term Frequency值。表示索引号为index1的词在该篇文档中出现了tf1次，以此类推。docId表示文档Id标识。各索引对之间以**空格**连接
  * 词汇的索引字典
    * 格式：| index | word |
    * 说明：以空格连接各字段
    * index：词汇索引index
    * word：索引对应的词汇
* **参数**：
  * 文本所在列：待分析文本所在的列，从0开始计数。HDFS路径无需填写此参数
  * 文档ID所在列：文档ID所在列，从0开始计数。HDFS路径无需填写此参数
  * 并行数：训练数据的分区数、spark的并行数
  * 抽样率：输入数据的采样率
  * 最小词频数：一篇文章中待统计词语出现的最小词频，若为>=1的整数，表示词语出现的次数，若为\[0,1)的Double类型值，表示词语出现数目与该篇文章词语总数的比值
  * 最小文本数：待统计词语出现在不同文章中的最小数量，若为>=1的整数，表示词语出现在不同文章中的数量，若为\[0,1)的Double类型值，表示词语出现在不同文章中的数量与总文章数的比值

## 2. TF-IDF

* **算法说明**

  Term Frequency-Inverse Document Frequency (TF-IDF) 是一个实用的文本特征处理算法，它的计算结果可以表示一篇文档中每个词汇在该文档中的相对重要程度，其中，Term Frequency是指词w在该篇文档中出现的次数，Document Frequency是指所有文档中包含词w的文档数。\
  TF-IDF的思想是词w在该篇文档中的重要性与Term Frequency成正比，与Document Frequency成反比，本算法的tf值采用Term Frequency，idf值采用公式log（(N+1)/(Document Frequency+1)），此处的log以10为底，N表示文档总数。实践证明，TF-IDF是一个非常有效的文本特征。
* **输入**
  * 格式：|word1 word2 word3 ...|
  * 说明：
    * HDFS路径：每行仅包括一个文本，文本中的所有词语以**空格**连接
    * TDW路径：文本单独为一列，所有词语以**空格**连接。每行还可包括其他字段，例如"文本ID"
* **输出**
  * 索引对应的tfidf值
    * 格式：|docId index1:tfidf1 index2:tfidf2 ...|
    * 说明：每行表示一篇文档中各个词索引对应的TF-IDF值。表示索引号为index1的词对应的tfidf值为tfidf1，以此类推。docId表示文档Id标识。各索引对之间以**空格**连接。
  * 词汇的索引字典
    * 格式：| index | word |
    * 说明：以空格连接各字段    
    * index：词汇索引
    * word：表示index对应的该词语
* **参数**
  * 文本所在列：待分析文本所在的列，从0开始计数。HDFS路径无需填写此参数
  * 文档ID所在列：文档ID所在列，从0开始计数。HDFS路径无需填写此参数
  * 并行数：训练数据的分区数、spark的并行数
  * 抽样率：输入数据的采样率
  * 最小词频数：一篇文章中待统计词语出现的最小词频，若为>=1的整数，表示词语出现的次数，若为\[0,1)的Double类型值，表示词语出现数目与该篇文章词语总数的比值
  * 最小文本数：待统计词语出现在不同文章中的最小数量，若为>=1的整数，表示词语出现在不同文章中的数量，若为\[0,1)的Double类型值，表示词语出现在不同文章中的数量与总文章数的比值

## 1.3 Word2Vec\_spark

* **算法说明**

  Word2Vec\_spark是一种基于spark实现的算法。Word2Vec将文本中的词语映射到k维向量空间中，同时向量空间上的相似度可以用来表示词语语义上的相似度。首先根据Word2Vec算法计算词袋中每个词语对应的向量，然后针对每一篇文档中出现的词语，统计其词向量在k维空间上的平均值，以此代表该篇文档对应的向量。
* **输入**
  * 格式：|word1 word2 word3 ...|
  * 说明：
    * HDFS路径：每行仅包括一个文本，文本中的所有词语以**空格**连接
    * TDW路径：文本单独为一列，所有词语以**空格**连接。每行还可包括其他字段，例如"文本ID"
* **输出**
  * word2Vec转换结果
    * 格式：|Vector|
    * 说明：用每篇文档对应的向量代表该篇文档
      * HDFS路径：向量中的各列以空格连接
      * TDW路径：向量维数与表的字段个数对应
  * 词汇对应向量的输出
    * 格式：| word | Vector |
    * 说明：以空格连接各字段
    * word：每个选定的词汇
    * Vector:每个word对应的向量
* **参数**
  * 文本列：待分析文本所在的列，从0开始计数。HDFS路径无需填写此参数
  * 并行数：训练数据的分区数、spark的并行数
  * 抽样率：输入数据的采样率
  * 向量大小：选择的向量大小
  * 学习率：Double类型
  * 最大迭代次数：默认为1
  * 随机数种子：默认为1
  * 最少统计次数：词袋中词汇被统计的最少出现次数
  * 训练模型的分区数：默认分区数为1，取值越小越准确
  * 上下文的窗口大小：选择上下文的窗口值

## 1.4 WordSegment

* **算法说明**

  WordSegment完成对中文文本进行分词的目的，除了可以正常划分常用中文词语外，还可以正确识别数字与人名，同时实现了对用户自定义词典中的词汇的识别。
* **输入**
  * 格式：| 中文text |
  * 说明：每行对应一个中文文本，并且必须用UTF-8进行编码
* **输出**
  * 格式：|word1 word2 ...|
  * 说明：中文分词结果中的各个词语，以**空格**连接
* **参数**:
  * 文本所在列：待分析文本所在的列，从0开始计数。HDFS路径无需填写此参数
  * 并行数：训练数据的分区数、spark的并行数
  * 抽样率：输入数据的采样率
  * 自定义词典路径：用户的自定义词典路径，词典文件必须用UTF-8编码，并且每行一个自定义词
  * 是否标注词性：是否在分词结果中显示词性，默认不显示。词性标注含义可[参考](https://github.com/NLPchina/ansj_seg/wiki/%E8%AF%8D%E6%80%A7%E6%A0%87%E6%B3%A8%E8%A7%84%E8%8C%83)，同时，"udf"表示属于用户自定义词汇。