apache-spark - 在 Spark 中计算逐点互信息

Question

我正在尝试计算 pointwise mutual information (PMI)。



我在这里分别为 p(x, y) 和 p(x) 定义了两个 RDD:

pii: RDD[((String, String), Double)]
 pi: RDD[(String, Double)]

我正在编写的任何用于从 RDD 计算 PMI 的代码 pii和 pi不漂亮。我的做法是先把RDD拉平pii并加入 pi两次同时按摩元组元素。

val pmi = pii.map(x => (x._1._1, (x._1._2, x._1, x._2)))
             .join(pi).values
             .map(x => (x._1._1, (x._1._2, x._1._3, x._2)))
             .join(pi).values
             .map(x => (x._1._1, computePMI(x._1._2, x._1._3, x._2)))
// pmi: org.apache.spark.rdd.RDD[((String, String), Double)]
...
def computePMI(pab: Double, pa: Double, pb: Double) = {
  // handle boundary conditions, etc
  log(pab) - log(pa) - log(pb)
}

显然，这很糟糕。有没有更好的(惯用的)方法来做到这一点？
注意:我可以通过将 log-probs 存储在 pi 中来优化日志。和 pii但选择这样写是为了让问题保持清晰。

Answer 1

使用 broadcast将是一个解决方案。

val bcPi = pi.context.broadcast(pi.collectAsMap())
val pmi = pii.map {
  case ((x, y), pxy) =>
    (x, y) -> computePMI(pxy, bcPi.value.get(x).get, bcPi.value.get(y).get)
}

假设:pi拥有所有 x和 y在 pii .