java - 用于 LogisticRegression 的 Spark MLLib TFIDF 实现

Question

我尝试使用 spark 1.1.0 提供的新 TFIDF 算法。我正在用 Java 编写 MLLib 的工作，但我不知道如何让 TFIDF 实现工作。由于某种原因IDFModel只接受 JavaRDD作为方法的输入 transform而不是简单的 vector 。 我如何使用给定的类为我的 LabeldPoints 建模 TFIDF vector ？

注意:文档行的格式为 [Label;文]

---

到目前为止，这是我的代码:

        // 1.) Load the documents
        JavaRDD<String> data = sc.textFile("/home/johnny/data.data.new"); 

        // 2.) Hash all documents
        HashingTF tf = new HashingTF();
        JavaRDD<Tuple2<Double, Vector>> tupleData = data.map(new Function<String, Tuple2<Double, Vector>>() {
            @Override
            public Tuple2<Double, Vector> call(String v1) throws Exception {
                String[] data = v1.split(";");
                List<String> myList = Arrays.asList(data[1].split(" "));
                return new Tuple2<Double, Vector>(Double.parseDouble(data[0]), tf.transform(myList));
            }
        });

        tupleData.cache();

        // 3.) Create a flat RDD with all vectors
        JavaRDD<Vector> hashedData = tupleData.map(new Function<Tuple2<Double,Vector>, Vector>() {
            @Override
            public Vector call(Tuple2<Double, Vector> v1) throws Exception {
                return v1._2;
            }
        });

        // 4.) Create a IDFModel out of our flat vector RDD
        IDFModel idfModel = new IDF().fit(hashedData);

        // 5.) Create Labledpoint RDD with TFIDF
        ???

解决方案 来自 Sean Owen:

        // 1.) Load the documents
        JavaRDD<String> data = sc.textFile("/home/johnny/data.data.new"); 

        // 2.) Hash all documents
        HashingTF tf = new HashingTF();
        JavaRDD<LabeledPoint> tupleData = data.map(v1 -> {
                String[] datas = v1.split(";");
                List<String> myList = Arrays.asList(datas[1].split(" "));
                return new LabeledPoint(Double.parseDouble(datas[0]), tf.transform(myList));
        }); 
        // 3.) Create a flat RDD with all vectors
        JavaRDD<Vector> hashedData = tupleData.map(label -> label.features());
        // 4.) Create a IDFModel out of our flat vector RDD
        IDFModel idfModel = new IDF().fit(hashedData);
        // 5.) Create tfidf RDD
        JavaRDD<Vector> idf = idfModel.transform(hashedData);
        // 6.) Create Labledpoint RDD
        JavaRDD<LabeledPoint> idfTransformed = idf.zip(tupleData).map(t -> {
            return new LabeledPoint(t._2.label(), t._1);
        });

Answer 1

IDFModel.transform()接受 JavaRDD或 RDD的 Vector ， 如你所见。在单个 Vector 上计算模型没有意义，所以这不是您要查找的内容，对吗？

我假设您正在使用 Java，所以您的意思是您想将其应用于 JavaRDD<LabeledPoint> . LabeledPoint包含 Vector和一个标签。 IDF 不是分类器或回归器，因此不需要标签。你可以map一堆 LabeledPoint只提取他们的 Vector .

但是你已经有了一个JavaRDD<Vector>多于。 TF-IDF 只是一种根据语料库中的词频将词映射到实值特征的方法。它也不输出标签。也许你的意思是你想从 TF-IDF 派生的特征向量和你已有的一些其他标签开发一个分类器？

也许这会把事情弄清楚，但否则你必须非常清楚你试图用 TF-IDF 实现什么。