Watset для PySpark

В данном репозитории находится реализация Watset -- метода обнаружения понятий в графе синонимов, основанный на кластеризации графов значений слов.

Подробное описание алгоритма и оригинальная реализация алгоритма:

• https://nlpub.ru/Watset
• http://depot.nlpub.ru/ustalov.jct2017.pdf
• https://github.com/dustalov/watset

Использование

Перед началом, нужно исправить в watset_spark.sh:

• путь до spark_submit и его параметры (по-умолчанию происходит запуск на локальной машине)
• задать нужную версию python (по-умолчанию используется python3.5)

Узнать все доступные опции можно так:

$ ./watset_spark.sh -h
Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
usage: watset.py [-h] [--local_cw_maxsteps LOCAL_CW_MAXSTEPS]
                 [--local_cw_weighting {TOP,DIST_LOG,DIST_NOLOG}]
                 [--global_cw_maxsteps GLOBAL_CW_MAXSTEPS]
                 [--global_cw_weighting {TOP,DIST_LOG,DIST_NOLOG}]
                 [--no_parallel_cw]
                 input_file output_dir

positional arguments:
  input_file            path to input file
  output_dir            path to output directory

optional arguments:
  -h, --help            show this help message and exit
  --local_cw_maxsteps LOCAL_CW_MAXSTEPS
  --local_cw_weighting {TOP,DIST_LOG,DIST_NOLOG}
  --global_cw_maxsteps GLOBAL_CW_MAXSTEPS
  --global_cw_weighting {TOP,DIST_LOG,DIST_NOLOG}
  --no_parallel_cw      Use pure python Chinise Whispers instead of pyspark
                        implementation, probably works faster

Примеры запуска:

./watset_spark.sh ../watset/data/ru/edges.count.txt test1

./watset_spark.sh --global_cw_maxsteps 5 --local_cw_weighting DIST_LOG --global_cw_weighting DIST_LOG --no_parallel_cw ../watset/data/ru/edges.count.txt test2

Пример формата входных данных

Граф синонимов, каждое ребро в отдельной строке Ребро это слово, синоним и вес ребра, разделённые символом табуляции

абсурд  чепуха  14.0
абсурд  чушь    14.0
абсурдизм   абсурд  1.0
абсурдно    бессмысленно    1.0
...

Вес ребра может быть как целым, так и числом с плавающей точкой.

Формат выходных данных

Найденые синсеты (synsets), по одному на строке.

Каждая строка содержит записанные через табуляцию: номер синсета, количество слов в синсете, слова в синсете. Слова в синсете разделяются запятыми.

При выводе синсеты сортируются по количеству слов в них, начиная с самых больших.

...
7160    4       телохранитель, бодигард, охранник, секьюрити
7161    4       неспециалист, дилетант, непрофессионал, профан
7162    4       развернуть, изложить, развертеть, развинтить
7163    4       семка, семя, семечко, семячко
7164    4       самоубийственный, саморазрушительный, самоуничтожительный, суицидальный
...

При записи Spark разделяет вывод на части, записывает их в файлы part-* и кладёт их в заданную папку.

Отличия от оригинальной реализации (https://github.com/dustalov/watset)

• В оригинальной реализации ограничивается количество рёбер при построении EGO-сетей. Здесь -- нет.

• В оригинальной версии проверяются вроде бы невозможные случаи, когда либо у слова нет кандидатов слов-смыслов на этапе связывания значений слов, либо у всех кандидатов нулевой косинусный коэффициент(cosine similarity). Здесь этих проверок нет. Возможно, имеет смысл добавить.

Доп. материалы

В папке notebooks находятся наработки в виде jupyter-ноутбуков. В том числе реализация Watset на чистом питоне (без Spark'а).

FAQ

- А почему всё в одном файле?

Чтобы было легко запускать при помощи spark-submit. Решил, что так будет проще. Исходник разделён большими комментариями-заголовками на части чтобы было легче ориентироваться по нему.

- Зачем нужен ключ --no_parallel_cw?

У PySpark'а всё же похоже очень большие накладные расходы. Чем меньше его используем и делаем всё на чистом питоне в одном потоке... тем быстрее выходит в этой задаче. Ну упс.