我正在尝试编写基于Spark的情感分析程序。为此,我使用了 word2vec 和 KMeans 聚类。从 word2Vec 中,我在 100 维空间中获得了 20k 个单词/向量集合,现在我正在尝试对该向量空间进行聚类。当我使用默认并行实现运行 KMeans 时,该算法运行了 3 个小时!但如果采用随机初始化策略,大约需要 8 分钟。 我究竟做错了什么?我有 mac book pro 机器,带有 4 内核处理器和 16 GB RAM。
K ~= 4000 最大Interation为20
var vectors: Iterable[org.apache.spark.mllib.linalg.Vector] =
model.getVectors.map(entry => new VectorWithLabel(entry._1, entry._2.map(_.toDouble)))
val data = sc.parallelize(vectors.toIndexedSeq).persist(StorageLevel.MEMORY_ONLY_2)
log.info("Clustering data size {}",data.count())
log.info("==================Train process started==================");
val clusterSize = modelSize/5
val kmeans = new KMeans()
kmeans.setInitializationMode(KMeans.K_MEANS_PARALLEL)
kmeans.setK(clusterSize)
kmeans.setRuns(1)
kmeans.setMaxIterations(50)
kmeans.setEpsilon(1e-4)
time = System.currentTimeMillis()
val clusterModel: KMeansModel = kmeans.run(data)
Spark 上下文初始化在这里:
val conf = new SparkConf()
.setAppName("SparkPreProcessor")
.setMaster("local[4]")
.set("spark.default.parallelism", "8")
.set("spark.executor.memory", "1g")
val sc = SparkContext.getOrCreate(conf)
关于运行该程序的更新也很少。我在 Intelij IDEA 中运行它。我没有真正的 Spark 集群。但我以为你的个人机可以是Spark集群
我看到程序卡在 Spark 代码 LocalKMeans.scala 的循环内:
// Initialize centers by sampling using the k-means++ procedure.
centers(0) = pickWeighted(rand, points, weights).toDense
for (i <- 1 until k) {
// Pick the next center with a probability proportional to cost under current centers
val curCenters = centers.view.take(i)
val sum = points.view.zip(weights).map { case (p, w) =>
w * KMeans.pointCost(curCenters, p)
}.sum
val r = rand.nextDouble() * sum
var cumulativeScore = 0.0
var j = 0
while (j < points.length && cumulativeScore < r) {
cumulativeScore += weights(j) * KMeans.pointCost(curCenters, points(j))
j += 1
}
if (j == 0) {
logWarning("kMeansPlusPlus initialization ran out of distinct points for centers." +
s" Using duplicate point for center k = $i.")
centers(i) = points(0).toDense
} else {
centers(i) = points(j - 1).toDense
}
}
最佳答案
使用KMeans.K_MEANS_PARALLEL
进行初始化比随机
更复杂。然而,它不应该产生这么大的差异。我建议调查一下,是否是并行算法花费了很多时间(它实际上应该比 KMeans 本身更有效)。
有关分析的信息,请参阅: http://spark.apache.org/docs/latest/monitoring.html
如果不是初始化占用了时间,则存在严重错误。然而,使用随机初始化对于最终结果来说应该不会更差(只是效率较低!)。
实际上,当您使用 KMeans.K_MEANS_PARALLEL
进行初始化时,您应该通过 0 次迭代获得合理的结果。如果情况并非如此,则数据分布中可能存在一些规律性,导致 KMeans 偏离轨道。因此,如果您没有随机分发数据,您也可以更改它。然而,如果迭代次数固定,这样的影响会让我感到惊讶。
关于scala - K均值||用于 Spark 情绪分析,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/34616842/