Hadoop的word co-occurrence达成

发布时间：2021-11-20 13:50:58 所属栏目：教程来源：互联网

导读：Word Co-occurrence一直不知道该怎么正确翻译, 单词相似度?还是共生单词?还是单词的共生矩阵? 这在统计里面是很常用的文本处理算法,用来度量一组文档集中所有出现频率最接近的词组.嗯,其实是上下文词组,不是单词.算是一个比较常用的算法,可以衍生出其他的统

Word Co-occurrence一直不知道该怎么正确翻译, 单词相似度?还是共生单词?还是单词的共生矩阵?

这在统计里面是很常用的文本处理算法,用来度量一组文档集中所有出现频率最接近的词组.嗯,其实是上下文词组,不是单词.算是一个比较常用的算法,可以衍生出其他的统计算法.能用来做推荐,因为它能够提供的结果是"人们看了这个,也会看那个".比如做一些协同过滤之外的购物商品的推荐,信用卡的风险分析,或者是计算大家都喜欢什么东西.

比如 I love you , 出现 "I love" 的同时往往伴随着 "love you" 的出现,不过中文的处理跟英文不一样,需要先用分词库做预处理.

按照Mapper, Reducer和Driver的方式拆分代码

Mapper程序:

package wco;

import java.io.IOException;

import org.apache.Hadoop.io.IntWritable;

import org.apache.hadoop.io.LongWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Mapper;

public class WCoMapper extends Mapper<LongWritable, Text, Text, IntWritable> {

  @Override

  public void map(LongWritable key, Text value, Context context)

      throws IOException, InterruptedException {



    /*

    * 将行内容全部转换为小写格式.

    */

    String line_lc = value.toString().toLowerCase();

    String before = null;



    /*

    * 将行拆分成单词

    * 并且key是前一个单词加上后一个单词

    * value 是 1

    */

    for (String word : line_lc.split("W+")) { //循环行内容,按照空格进行分割单词

      if (word.length() > 0) {

        if (before != null) { //如果前词不为空,则写入上下文(第一次前词一定是空,直接跳到下面的before = word)

          context.write(new Text(before + "," + word), new IntWritable(1));

        }

        before = word; //将现词赋值给前词

      }

    }

  }

}

Reducer程序:

package wco;

import java.io.IOException;

import org.apache.hadoop.io.IntWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Reducer;

public class WCoReducer extends Reducer<Text, IntWritable, Text, IntWritable> {

  @Override

  public void reduce(Text key, Iterable<IntWritable> values, Context context)

      throws IOException, InterruptedException {

    int wordCount = 0;

    for (IntWritable value : values) {

      wordCount += value.get(); //单纯计算word count

    }

    context.write(key, new IntWritable(wordCount));

  }

}

Driver程序就不解释了，天下的Driver都一样:

package wco;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.io.IntWritable;

import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;

import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import org.apache.hadoop.mapreduce.Job;

import org.apache.hadoop.conf.Configured;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.util.Tool;

import org.apache.hadoop.util.ToolRunner;

public class WCo extends Configured implements Tool {

  @Override

  public int run(String[] args) throws Exception {

    if (args.length != 2) {

      System.out.printf("Usage: hadoop jar wco.WCo <input> <output>n");

      return -1;

    }

    Job job = new Job(getConf());

    job.setJarByClass(WCo.class);

    job.setJobName("Word Co Occurrence");

    FileInputFormat.setInputPaths(job, new Path(args[0]));

    FileOutputFormat.setOutputPath(job, new Path(args[1]));

    job.setMapperClass(WCoMapper.class);

    job.setReducerClass(WCoReducer.class);

    job.setOutputKeyClass(Text.class);

    job.setOutputValueClass(IntWritable.class);

    boolean success = job.waitForCompletion(true);

    return success ? 0 : 1;

  }

  public static void main(String[] args) throws Exception {

    int exitCode = ToolRunner.run(new Configuration(), new WCo(), args);

    System.exit(exitCode);

  }

}

算法的核心其实就是把前词和后词同时取出来作为key加上一个value做word count,统计单词的共生频率来对文本进行聚类.看网上说k-means的很多,其实很多时候算法是根据需求走的,k-means或者模糊k均值不一定就高大上,wordcount也不一定就穷矮矬.

（编辑：开发网_开封站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!

台式电脑怎样恢复系统	iso其是什么格式怎么打
电脑上对话框太大如何	小白重装系统Bootfix.