Question

从文本中创建Mahout Vector对象an example。它说：

在创建向量之前，您需要将文档转换为SequenceFile格式。 SequenceFile是一个hadoop类，它允许我们在其中编写任意键，值对。 DocumentVectorizer要求密钥是具有唯一的Text 文档ID，以及UTF-8格式的文本内容。

这有点清楚，因为我知道SequenceFile是什么。然而，对于所有Mahout算法（聚类，分类......），内容实际上是一袋词（或n-gram）。该值是否以空格分隔？

更重要的是，我实际上想要聚集不是文本的东西。例如，假设我有用户以空格分隔格式评级电影：

user1 movie_11 5
user1 movie_12 4
..
user2 movie_21 1
user2 movie_22 5
..

假设我想要群集电影。我可以将用户视为“文档”（电影分组），以及像“单词”这样的电影。我如何将这些评级纳入矢量文件？我可以将它转换为arff（不确定到底是怎么回事）并使用Mahout的arff.vector。是否有一个更简单的实用程序，只需要采用文档到单词的关联（或计数）并生成向量？

将磁盘上的1亿个评级作为ARFF放入序列文件只是为了将其放入矢量中，这样会很方便。