前言

搜索团队正好需要计算一些词汇的相似性，这个用Word2Vec是很方便的。于是我立马安排算法团队帮个忙弄下。但回头想想，因为这么点事，打断了算法手头的工作，这简直不能忍。

由于我司内部已经在使用基于StreamingPro的Skone平台，通过对SQL做enhance,已经能实现类似hive的脚本引擎了。如果上面的word2vec能直接也用类似sql的语言完成，那开发只要打开web,写几条SQL就自己完成了。

这个时候就给自己定了个目标：简单的算法，研发可以通过这个feature自己完成，尽可能减少对正在做攻关的算法团队的打搅。

使用演示

详细实现代码参看xql-dsl 分支。首先我们需要启动StreamingPro作为一个sql server ，

csv内容如下：

body
a b c
a d m
j d c
a b c
b b c

这个csv文件被映射为表名ct。只有一个字段body。现在我们需要对body字段进行切分，这个也可以通过sql来完成：

select split(body," ") as words from ct as new_ct;

新表叫new_ct,现在，可以开始训练了,把new_ct喂给word2vec即可：

train new_ct as word2vec.`/tmp/w2v_model` where inputCol="words";

word2vec表示算法名， /tmp/w2v_model 则表示把训练好的模型放在哪。where 后面是模型参数。

最后，我们注册一个sql函数：

register word2vec.`/tmp/w2v_model` as w2v_predict;

其中w2v_predict是自定义函数名。这样，我们在sql里就可以用这个函数了。我们来用一把：

select words[0] as w, w2v_predict(words[0]) as v from new_ct as result;

给一个词，就可以拿到这个词的向量了。

我们把它保存成json格式作为结果：

save result as csv.`/tmp/result`;

结果是这样的：

[email protected]

最后完整的脚本如下：

load csv.`/tmp/test.csv` options header="True" as ct;
select split(body," ") as words from ct as new_ct;
train new_ct as word2vec.`/tmp/w2v_model` where inputCol="words";
register word2vec.`/tmp/w2v_model` as w2v_predict;
select words[0] as w, w2v_predict(words[0]) as v from new_ct as result;
save overwrite result as json.`/tmp/result`;

大家可以用postman测试：

[email protected]

支持算法（不断更新）

• NaiveBayes

• RandomForest

• GBTRegressor

• LDA

• KMeans

• FPGrowth

• GBTs

• LSVM

总结

通过将机器学习算法SQL脚本化，很好的衔接了数据处理和训练，预测。同时服务化很好的解决了环境依赖问题。当然终究是没法取代写代码，但是简单的任务就可以用简单的方式解决了。

作者：祝威廉
链接：https://www.jianshu.com/p/70a8febdaf64