内容简介:本文的英语版本在:
作者: 王益(蚂蚁金服研究员)
知乎专栏: SQLFlow
本文的英语版本在:
https://medium.com/@yi.wang.2005/nlp-in-sql-word-vectors-82dffc908423
很多朋友们以为 SQL 是用来处理结构化数据的;而文本是典型的非结构化数据(unstructured data)。其实 SQL 可以处理文本,而且比 Python 更方便 。
这篇文章简要介绍如何用 MySQL 来分词,构造词表,词向量,和计算文本的相似度。本文中的例子,用 TiDB 应该也可以跑通。微调之后,Apache Hive 和阿里巴巴 MaxCompute 应该也是可以的。
导入数据
为了简单,我们用一个只有三行(三个文档)的文本文件(a.txt)作为原始数据。MySQL 只支持从特定的目录导入文件中的数据。可以用如下 SQL 语句查询这个目录:
mysql> SHOW VARIABLES LIKE "secure_file_priv"; +------------------+-----------------------+ | Variable_name | Value | +------------------+-----------------------+ | secure_file_priv | /var/lib/mysql-files/ | +------------------+-----------------------+
把 a.txt 拷贝到这个目录(/var/lib/mysql-files/)之后,可以用如下语句导入创建一张表,并且导入数据。因为表里的 id 是自动生成的,所以导入过程会给每一行(每一个文档)分配一个文档 id。
CREATE DATABASE IF NOT EXISTS play;USE play; DROP TABLE IF EXISTS docs; CREATE TABLE IF NOT EXISTS docs ( id INT NOT NULL AUTO_INCREMENT, doc TEXT, PRIMARY KEY (id)); LOAD DATA INFILE “/var/lib/mysql-files/a.txt” INTO TABLE docs (doc);
现在我们可以检查一下结果
mysql> SELECT * FROM docs; +----+------------------------+ | id | doc | +----+------------------------+ | 1 | fresh carnation flower | | 2 | mother day | | 3 | mother teresa | +----+------------------------+
分词
有一些数据库系统,比如阿里云上的 MaxCompute 提供分词用的 UDF,是一个特色。本文假设没有这样的功能。仅仅按照空格来分词,SQL 也是可以通过 inner join 做到的。
因为分词是把一个字符串变成多条记录。具体的说,要取出字符串中第一个、第二个、第三个。。。子串。所以我们需要一个自然数序列。我们可以通过上面例子里自动产生文档 ID 的机制,生成这个序列。下面的语句创建一个表 incr,其中只有一列,是自动产生的自然数序列。
DROP TABLE IF EXISTS incr; DROP PROCEDURE IF EXISTS generate_sequence; CREATE TABLE IF NOT EXISTS incr ( n INT NOT NULL AUTO_INCREMENT, PRIMARY KEY (n)); DELIMITER // CREATE PROCEDURE generate_sequence() BEGIN DECLARE i int DEFAULT 0; WHILE i < 5 DO INSERT INTO incr () VALUES (); SET i = i + 1; END WHILE; END // DELIMITER ; CALL generate_sequence;
上面语句创建了 SQL 子程序(procedure),其中的循环往 incr 表里增加了 5 条记录,从而产生了一个 1 到 5 的自然数序列。我们可以修改其中的 5 为其他任何数值,来创建更长或者更短的序列。
mysql> select * from incr; +----+ | n | +----+ | 1 | | 2 | | 3 | | 4 | | 5 | +----+
利用这个序列,我们可以把每个字符串分割成最多 5 个(或者更多)的子串。
CREATE TABLE doc_words SELECT docs.id, SUBSTRING_INDEX(SUBSTRING_INDEX(docs.doc, ' ', incr.n), ' ', -1) word FROM incr INNER JOIN docs ON CHAR_LENGTH(docs.doc) -CHAR_LENGTH(REPLACE(docs.doc, ' ', ''))>=incr.n-1 ORDER BY id, n;
上面语句里的 join 操作把每条记录(字符串,或者叫文档)复制了 5 份;而 SELECT 操作选取每个复制中的第 i 个子串(word);CREATE TABLE 把结果写入一张新的表 doc_words,其内容如下。
mysql> select * from doc_words; +----+-----------+ | id | word | +----+-----------+ | 1 | fresh | | 1 | carnation | | 1 | flower | | 2 | mother | | 2 | day | | 3 | mother | | 3 | teresa | +----+-----------+
停用词
很多时候,我们回想剔除分词结果中的停用词(stopwords)。假设我们有一个停用词表 —— 下文中用 (SELECT 'fresh')替代 —— 假设这个词表里只有一个单词了,下面语句剔除掉 doc_words 表中的停用词。
mysql> SELECT * FROM doc_words WHERE word NOT IN (SELECT 'fresh'); +----+-----------+ | id | word | +----+-----------+ | 1 | carnation | | 1 | flower | | 2 | mother | | 2 | day | | 3 | mother | | 3 | teresa | +----+-----------+
词向量
仅仅分词还不足以计算文档距离,还需要统计每个文档里,每个词出现的次数 —— 也就是词向量。下面的 SQL 语句可以很方便地做这件事。
CREATE TABLE doc_word_count SELECT id, word, count(word) as count FROM doc_words GROUP BY id, word;
我们看看结果。
mysql> SELECT * FROM doc_word_count; +----+-----------+-------+ | id | word | count | +----+-----------+-------+ | 1 | carnation | 1 | | 1 | flower | 1 | | 1 | fresh | 1 | | 2 | day | 1 | | 2 | mother | 1 | | 3 | mother | 1 | | 3 | teresa | 1 | +----+-----------+-------+
归一化词向量
通过归一化词向量,我们可以得到一个文档的词分布(word distribution);这是计算文档相似度的输入。为了归一,需要能统计文档的长度,这可以通过 GROUP BY id 来实现。
mysql> SELECT id, sum(count) as len FROM doc_word_count GROUP BY id; +----+------+ | id | len | +----+------+ | 1 | 3 | | 2 | 2 | | 3 | 2 | +----+------+
基于上述方法,下面的 SQL 语句从 doc_words 表推导出 doc_word_dist 表,表示词分布。
CREATE TABLE doc_word_dist SELECT doc_word_count.id, word, count/len AS prob FROM doc_word_count, (SELECT id, sum(count) as len FROM doc_word_count GROUP BY id) s WHERE doc_word_count.id = s.id;
我们检查一下结果。
mysql> SELECT * FROM doc_word_dist; +----+-----------+--------+ | id | word | prob | +----+-----------+--------+ | 1 | carnation | 0.3333 | | 1 | flower | 0.3333 | | 1 | fresh | 0.3333 | | 2 | day | 0.5000 | | 2 | mother | 0.5000 | | 3 | mother | 0.5000 | | 3 | teresa | 0.5000 | +----+-----------+--------+
文档相似度
有了归一化的词向量,下面语句计算文档之间的两两相似度(pairwise similarity)。我们用的是 dot product similarity。
SELECT x.id, y.id, sum(x.prob*y.prob) FROM doc_word_dist x, doc_word_dist y WHERE x.id > y.id AND x.word = y.word GROUP BY x.id, y.id;
在这个非常简单的例子里,第二个和第三个文档里共同出现了一个单词“mother”。而其他任何文档对(pairs)都没有共用的词,所以结果只有一行。
+----+----+--------------------+ | id | id | sum(x.prob*y.prob) | +----+----+--------------------+ | 3 | 2 | 0.25000000 | +----+----+--------------------+
AI + SQL
从这个例子我们可以看到。虽然文档 2 和 3 在词向量空间有一定相似度,但是其实一个是关于特蕾莎修女,一个是关于母亲节 —— 英语里 mother 有修女和母亲两个意思 —— 这结果不合理。反而是 文档 1 “康乃馨” 是母亲节必备的礼物,应该存在一定的相似度。
不管我们用 SQL 还是 Python 来做文本分析,我们都希望借助 AI 的力量深刻理解文本,而不是仅仅在字面上做聚类等分析。接下来的文章,我们会更新如何利用 SQLFlow 扩展 SQL,引入 latent topic modeling 技术来做语义理解。
相关数据
上文中为了演示方便,用了很小的数据集(只有三个文档)。对于 程序员 来说,一个更有意义的数据集是 GitHub 上一些著名开源项目里的 code review comments —— 我们可以看看各个项目里的 code review 都在说些什么内容;大牛是怎么表达意见的。
为此,我们写了一个调用 GitHub API 的 crawler:
https://github.com/wangkuiyi/code-review-what/blob/master/crawl/crawl.go github.com
这个 crawler 的注释里有用法。我们试着爬下来了 TensorFlow 和 PyTorch(当然还有我们自己的项目 SQLFlow)的 code review comments。其中 PyTorch 的最多,有 20MB 左右。欢迎大家用上述方法,试试处理这样的数据。我们也很期待听到大家关于用 SQL 处理文本数据的反馈。
百度网盘链接:
https://pan.baidu.com/s/1qC9qXUya5Gvrqn3W3SaB1g 提取码: 7mta
本 文链接,点击"阅读原文"直达:
https://zhuanlan.zhihu.com/p/105828944
关于AINLP
AINLP 是一个有趣有AI的自然语言处理社区,专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享,主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等,欢迎关注!加技术交流群请添加AINLP君微信(id:AINLP2),备注工作/研究方向+加群目的。
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- DRS是啥你都不知道?不是吧,不是吧
- TCP连接为什么只能是“3次握手”,不是2次,也不是4次?
- TCP连接为什么是三次握手,而不是两次握手,也不是四次握手?
- RAC 不是万能的
- Ruby block 不是闭包
- 你不是真正的class
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
社群营销实战手册
秋叶、邻三月、秦阳 / 人民邮电出版社 / 2018-1 / 69.00元
互联网正从“物以类聚”,走向“人以群分”的时代。秋叶等人的“社群营销”,并非单纯靠社群卖东西,而是建立一种中心化的、自行运转的生态,让“同好”们形成紧密的联系,创造出海量营销机会。 《社群营销实战手册 从社群运营到社群经济》共5章内容,从社群的定位、建立、扩张、变现、运营,到社群的生命周期延长、社群运营团队的打造和管理以及社群管理工具,大量干货秘笈一应俱全,并提供丰富的运营实战案例,全面解读社群的......一起来看看 《社群营销实战手册》 这本书的介绍吧!