[英]Cosine similarity on TFIDF using apache spark
我正在嘗試使用Apache Spark在TFIDF上計算余弦相似度矩陣。 這是我的代碼:
def cosSim(input: RDD[Seq[String]]) = {
val hashingTF = new HashingTF()
val tf = hashingTF.transform(input)
tf.cache()
val idf = new IDF().fit(tf)
val tfidf = idf.transform(tf)
val mat = new RowMatrix(tfidf)
val sim = mat.columnSimilarities
sim
}
我在輸入中大約有3000行,但是如果我執行sim.numRows()或sim.numCols(),我將看到1048576而不是3K,這是因為val tfidf和val mat的大小均為3K * 1048576其中1048576是tf功能的數量。 也許要解決這個問題,我必須移調墊子,但是我不知道該怎么做。
你可以試試:
import org.apache.spark.mllib.linalg.distributed._
val irm = new IndexedRowMatrix(rowMatrix.rows.zipWithIndex.map {
case (v, i) => IndexedRow(i, v)
})
irm.toCoordinateMatrix.transpose.toRowMatrix.columnSimilarities
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.