java - 通过Java和MapReduce构造文档项矩阵

Question

背景:

我正在尝试使用MapReduce在Hadoop上的Java中创建一个“文档术语”矩阵。文档术语矩阵就像一个巨大的表，其中每一行代表一个文档，每一列代表一个可能的单词/术语。

问题陈述:

假设我已经有一个术语索引列表(这样我就知道哪个术语与哪个列号相关联)，那么在每个文档中查找每个术语的索引的最佳方法是什么，以便我可以逐行构建矩阵行(即逐个文档)？

到目前为止，我可以想到两种方法:

方法1:

将术语索引列表存储在Hadoop分布式文件系统上。映射器每次读取新文档进行索引时，都会生成一个新的MapReduce作业-该文档中每个唯一单词的作业，其中每个作业都在分布式术语列表中查询其术语。这种方法听起来有些矫kill过正，因为我猜测开始新工作会带来一些开销，并且这种方法可能需要数以千万计的工作。另外，我不确定是否可以在另一个MapReduce作业中调用MapReduce作业。

方法2:

将术语索引列表追加到每个文档，以便每个映射器以术语索引列表的本地副本结尾。这种方法在存储上非常浪费(术语索引列表的副本与文档一样多)。另外，我不确定如何将术语索引列表与每个文档合并-我将它们合并在映射器中还是化简器中？

问题更新1

输入文件格式:

输入文件将是包含所有文档(产品评论)的CSV(逗号分隔值)文件。文件中没有列标题，但是每个评论的值按以下顺序显示:product_id，review_id，评论，星号。下面是一个伪造的示例:

“Product A”, “1”,“Product A is very, very expensive.”,”2”

“Product G”, ”2”, “Awesome product!!”, “5”

术语索引文件格式:

术语索引文件中的每一行包含以下内容:索引号，制表符和单词。每个可能的单词在索引文件中仅列出一次，因此术语索引文件类似于SQL表的主键(单词)列表。对于特定文档中的每个单词，我的暂定计划是遍历术语索引文件的每一行，直到找到该单词为止。然后将该单词的列号定义为与该单词关联的列/术语索引。以下是术语索引文件的示例，该文件是使用前面提到的两个示例产品评论构建的。

1 awesome

2 product

3 a

4 is

5 very

6 expensive

输出文件格式:

我希望输出为“矩阵市场”(MM)格式，这是用于压缩具有多个零的矩阵的行业标准。这是理想的格式，因为大多数审阅将只包含所有可能单词中的一小部分，因此对于特定文档，只需指定非零列即可。

MM格式的第一行具有三个制表符分隔的值:文档总数，单词列总数和MM文件中的总行数(不包括标题)。在标题之后，每一行都包含与特定条目关联的矩阵坐标，以及条目的值，其顺序为:reviewID，wordColumnID，条目(此单词在评论中出现多少次)。有关Matrix Market格式的更多详细信息，请参见以下链接:http://math.nist.gov/MatrixMarket/formats.html。

每个评论的ID将等于其在文档术语矩阵中的行索引。这样，我可以将评论的ID保留为Matrix Market格式，以便仍可以将每个评论与其星级进行关联。我的最终目标(超出此问题的范围)是建立一种自然语言处理算法，以根据其文字预测新评论中的星星数。

使用上面的示例，最终的输出文件将如下所示(我无法让Stackoverflow显示选项卡而不是空格):

2 6 7

1 2 1

1 3 1

1 4 1

1 5 2

1 6 1

2 1 1

2 2 1

Answer 1

好吧，您可以使用类似于倒排索引概念的东西。

我建议这样做是因为，我假设两个文件都很大。因此，像一对一地相互比较将是真正的性能瓶颈。

这是一种可以使用的方式-

您可以将输入文件格式的csv文件(例如datafile1，datafile2)和术语索引文件(例如term_index_file)作为工作的输入。

然后在每个映射器中，过滤源文件名，如下所示-

映射器的伪代码-

map(key, row, context){
  String filename= ((FileSplit)context.getInputSplit()).getPath().getName();
   if (filename.startsWith("datafile") {

     //split the review_id, words from row
     ....
     context.write(new Text("word), new Text("-1 | review_id"));

   } else if(filename.startsWith("term_index_file") {
     //split index and word
     ....
     context.write(new Text("word"), new Text("index | 0"));
   }

}

，例如来自不同映射器的输出

Key       Value      source
product   -1|1       datafile
very       5|0       term_index_file
very      -1|1       datafile
product   -1|2       datafile
very      -1|1       datafile
product    2|0       term_index_file
...
...

说明(示例):
正如它清楚显示的那样，键将是您的单词，值将由两部分组成，并由定界符“|”分隔

如果源是数据文件，则发出key = product和value = -1 | 1，其中-1是虚拟元素，而1是review_id。

如果源是term_index_file，则发出key = product和value = 2 | 0，其中2是单词'product'的索引，而0是虚拟的review_id，我们将使用它进行排序-稍后将进行说明。

当然，如果我们将term_index_file作为作业的常规输入文件提供，则两个不同的映射器将不会处理重复的索引。
因此，'product，different'或term_index_file中的任何其他索引词将仅对一个映射器可用。注意，这仅对term_index_file有效，对数据文件无效。

下一步:

您可能知道，Hadoop mapreduce框架将按键分组
因此，您将获得类似的内容去往不同的 reducer ，

reduce-1: key=product, value=<-1|1, -1|2, 2|0>
reduce-2: key=very, value=<5|0, -1|1, -1|1>

但是，在上述情况下，我们有一个问题。我们希望对'|'之后的值进行排序即在reduce-1 -> 2|0, -1|1, -1|2 and in reduce-2 -> <5|0, -1|1, -1|1>中

为此，您可以使用通过排序比较器实现的辅助排序。请为此搜索google，但here's a link可能会有所帮助。在这里提到它可能会花费很长时间。

在每个reduce-1中，由于值按上述顺序排序，因此当我们开始迭代时，我们将在第一个迭代中获得'0'，并使用 index_id = 2 ，然后可以将其用于后续迭代。在接下来的两次迭代中，我们连续获取评论ID 1和2，并使用一个计数器，这样我们就可以跟踪任何重复的评论ID。当我们获得重复的评论ID时，这意味着一个单词在同一review_id行中出现了两次。仅当找到不同的review_id并针对特定index_id发出先前的review_id详细信息时，我们才会重置计数器，如下所示-

previous_review_id  + "\t" + index_id + "\t" + count

当循环结束时，我们将剩下一个previous_review_id，我们最终将以相同的方式发出它。

reducer 的伪代码-

reduce(key, Iterable values, context) {
  String index_id = null;
  count = 1;
  String previousReview_id = null;
  for(value: values) {
      Split split[] = values.split("\\|");
      ....

      //when consecutive review_ids are same, we increment count
      //and as soon as the review_id differ, we emit, reset the counter and print
      //the previous review_id detected.
      if (split[0].equals("-1") && split[1].equals(previousReview_id)) {
          count++;
      } else if(split[0].equals("-1") && !split[1].equals(prevValue)) {
          context.write(previousReview_id + "\t" + index_id + "\t" + count);
          previousReview_id = split[1];//resting with new review_id id
          count=1;//resetting count for new review_id
      } else {
         index_id = split[0]; 
      }
  }
  //the last  previousReview_id will be left out, 
  //so, writing it now after the loop  completion
  context.write(previousReview_id + "\t" + index_id + "\t" + count);

}

这项工作由多个reducer完成，以利用Hadoop以其最著名的性能-结果，最终输出将分散，类似于以下内容，与您期望的输出有所不同。

1 4 1
2 1 1
1 5 2
1 2 1
1 3 1
1 6 1
2 2 1

但是，如果您希望所有内容都根据review_id(作为所需的输出)进行排序，则可以编写另一个作业，该作业将使用单个reducer 和previos作业的输出作为输入。并同时计算 2 6 7 并将其放在输出的前面。

我认为，这只是一种方法(或想法)，可能会对您有所帮助。您肯定想修改它，提出一种更好的算法，并以您认为会对自己有利的方式使用它。

与使用分隔符(例如“|”)相比，您还可以使用Composite键以获得更好的清晰度。

我愿意澄清。请问您是否认为，这可能对您有用。

谢谢!