Apache spark Apache spark Word2Vec中的迭代次数和分区数量是如何关联的？

根据文献[1]：

def setNumIterations(numIterations: Int): Word2Vec.this.type

设置迭代次数（默认值：1），迭代次数应小于或等于分区数

设置分区数（默认值：1）。使用一个小的数字以确保准确性

但在此[2]中：

为了使我们的实现更具可伸缩性，我们训练每个分区 在每次迭代后分别合并每个分区的模型。 为了使模型更精确，可能需要多次迭代

问题：

• 参数numIterations和numPartitions如何影响算法的内部工作

• 考虑到以下规则，在设置分区数量和迭代次数之间是否存在权衡
  • 更准确->更多迭代a/c到[2]

  • 更多迭代->更多分区a/c到[1]

  • 更多的分区->更少的精度

---

增加分区数量时，会减少每个分区的训练数据量，从而使每个训练步骤（字向量调整）更“嘈杂”，更不确定。Spark的实现通过在增加分区数时降低学习率来响应这一点，因为有更多的进程更新向量权重。

@renner2我仍然不明白为什么NumiteOptionsLooking在Word2Vec代码（）中，我找不到好的答案。这并不意味着numIter没有理论上的理由

def setNumPartitions(numPartitions: Int): Word2Vec.this.type