apache-spark - 使用Dataframe的行之间的 Spark 余弦距离

Question

我必须计算每行之间的余弦距离，但我不知道如何优雅地使用 Spark API Dataframes 来做到这一点。这个想法是计算每一行(项目)的相似度，并通过比较它们在行之间的相似度来获取前 10 个相似度。 --> 这是 Item-Item Recommender System 所需要的。

我所读到的所有内容都涉及计算列上的相似性 Apache Spark Python Cosine Similarity over DataFrames
有人会说是否可以使用 PySpark Dataframe 的 API 或 RDD 来优雅地计算行之间的余弦距离，或者我必须手动计算？

这只是一些代码来显示我打算做什么

def cosineSimilarity(vec1, vec2):
    return vec1.dot(vec2) / (LA.norm(vec1) * LA.norm(vec2))


#p.s model is ALS
Pred_Factors = model.itemFactors.cache() #Pred_Factors = DataFrame[id: int, features: array<float>]

sims = []

for _id,_feature in Pred_Factors.toLocalIterator():
    for id, feature in Pred_Factors.toLocalIterator():

        itemFactor = _feature

        sims = sims.append(_id, cosineSimilarity(asarray(feature),itemFactor))

sims = sc.parallelize(l)
sortedSims = sims.takeOrdered(10, key=lambda x: -x[1])

提前感谢所有帮助

Answer 1

您可以使用 mllib.feature.IndexedRowMatrix的 columnSimilarities功能。它使用余弦度量作为距离函数。它计算列之间的相似性，因此您必须在应用此函数之前进行转置。

pred_ = IndexedRowMatrix(Pred_Factors.rdd.map(lambda x: IndexedRow(x[0],x[1]))).toBlockMatrix().transpose().toIndexedRowMatrix()
pred_sims = pred.columnSimilarities()