[英]Cosine similarity over tf idf output in spark dataframe (scala)
[英]Calculating cosine similarity by featurizing the text into vector using tf-idf
我是 Apache Spark 的新手,想从一堆文本中找到相似的文本,我自己尝试如下 -
我有 2 个 RDD-
第一个 RDD 包含不完整的文本如下 -
[0,541 Suite 204, Redwood City, CA 94063]
[1,6649 N Blue Gum St, New Orleans,LA, 70116]
[2,#69, Los Angeles, Los Angeles, CA, 90034]
[3,98 Connecticut Ave Nw, Chagrin Falls]
[4,56 E Morehead Webb, TX, 78045]
第二个 RDD 包含正确的地址如下 -
[0,541 Jefferson Avenue, Suite 204, Redwood City, CA 94063]
[1,6649 N Blue Gum St, New Orleans, Orleans, LA, 70116]
[2,25 E 75th St #69, Los Angeles, Los Angeles, CA, 90034]
[3,98 Connecticut Ave Nw, Chagrin Falls, Geauga, OH, 44023]
[4,56 E Morehead St, Laredo, Webb, TX, 78045]
已经编写了这段代码,这需要很多时间,谁能告诉我使用 Scala 在 Apache Spark 中执行此操作的正确方法。
val incorrect_address_count = incorrect_address_rdd.count()
val all_address = incorrect_address_rdd.union(correct_address_rdd) map (_._2.split(" ").toSeq)
val hashingTF = new HashingTF()
val tf = hashingTF.transform(all_address)
.zipWithIndex()
val input_vector_rdd = tf.filter(_._2 < incorrect_address_count)
val address_db_vector_rdd = tf.filter(_._2 >= incorrect_address_countt)
.map(f => (f._2 - input_count, f._1))
.join(correct_address_rdd)
.map(f => (f._2._1, f._2._2))
val input_similarity_rdd = input_vector_rdd.cartesian(address_db_vector_rdd)
.map(f => {
val cosine_similarity = cosineSimilarity(f._1._1.toDense, f._2._1.toDense)
(f._1._2, cosine_similarity, f._2._2)
})
def cosineSimilarity(vectorA: Vector, vectorB: Vector) = {
var dotProduct = 0.0
var normA = 0.0
var normB = 0.0
var index = vectorA.size - 1
for (i <- 0 to index) {
dotProduct += vectorA(i) * vectorB(i)
normA += Math.pow(vectorA(i), 2)
normB += Math.pow(vectorB(i), 2)
}
(dotProduct / (Math.sqrt(normA) * Math.sqrt(normB)))
}
我有几乎同样的问题。 我有 370K 行,每行有 2 个 300K 和 400K 的向量。 我将测试 rdd 行与这两个向量相乘。
您可以进行 2 项重大改进。 一是预先计算规范。 他们不会改变。 其次是使用稀疏向量。 如果你这样做,你可以使用 vector.size 它是 300K。 如果您使用 Sparse,它会针对每个关键字进行迭代。(每行 20-30)。
另外我担心这是最有效的方法,因为计算不需要洗牌。如果你最后有一个很好的估计,你可以按分数过滤,事情会很快。(我的意思是哪个分数对你来说就足够了。)
def cosineSimilarity(vectorA: SparseVector, vectorB:SparseVector,normASqrt:Double,normBSqrt:Double) :(Double,Double) = {
var dotProduct = 0.0
for (i <- vectorA.indices){
dotProduct += vectorA(i) * vectorB(i)
}
val div = (normASqrt * normBSqrt)
if( div == 0 )
(dotProduct,0)
else
(dotProduct,dotProduct / div)
}
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.