Question

问题：
我有一个巨大的特征向量表。向量中的每个元素由两个INTEGER组成。这是一个例子：

-------------------------------------------------------------------------------
KEY |  VALUE
---------------------------------------------------------------------------------
    | f1    | f2    | f3    | f4    | f5       | f6       | f7    |  f8   | f9
---------------------------------------------------------------------------------
 1  | 13 42 |       | 546 43| 43 24 | 435  634 |          | 45  43|  4  5 | 5 647
 2  | 24 32 | 54 35 |       |       | 3124 32  | 454 3    | 4   5 |  12 1 |   
 3  | 3  1  | 54 32 |       | 43 24 |          | 31  2432 | 454 3 |  4  5 | 1 21    
---------------------------------------------------------------------------------

假设我有大约1200万行具有唯一键和大约200列（= 400个子列）。如您所见，随机列中的值可能会丢失，如果该元素没有该功能。

我想查询表格中的行X（不存在于表格中）以找到前N个（N = 10-20个）最佳匹配，使用一些定制的相似性函数f（vector1，vector2） do ==检查并返回相似性得分，考虑不同的权重，以匹配不同的列。

问题：
根据NoSQL数据库的说法，您认为哪种实现最适合这种情况？我想做实时查询。我正在考虑将HBase与Hadoop一起使用（或者使用带有Hadoop的MongoDB，哪一个更好？）并编写MapReduce作业以在每一行上执行相似性函数并获得结果。我很担心Hadoop的批处理工作是否能为我提供良好的实时性能（最长2秒）。我对Lucene没有多少经验 - 这会有什么用处吗？

除此之外，我是否有任何想法可以避免进行全表MapReduce扫描并以某种方式对其进行优化？

Answer 1

在收到几位朋友的建议后，我查阅了ElasticSearch上的文档。似乎这是我的用例的完美工具。它专为搜索/检索需求而构建，像任何东西一样，可以处理大量数据。这是应该做的：

将每一行存储在文档中，其中键元素为_id字段，每个f1，f2 ...字段为不同字段。可以使用boost fields功能来增加某些字段的相关性（基本上为它们分配更多权重，基本上不需要我的相似性功能）。这甚至可以在query time期间完成，因此让用户根据用例分配权重。

这是一个示例查询，可能适用于此用例（未经测试）：

{
  "query" : {
    "filtered" : {
        "and" : [
         {      
              "query" : {
                    "bool" : {
                         "should" : [
                              { "match" : { "f192" : { "boost" : 2,"query" : "232"} } },
                              { "match" : { "f16" : { "boost" : 1,"query" : "4324"} } },
                              { "match" : { "f25" : { "boost" : 0.2,"query" : "76783"} } },
                         ]
                    }
                }
         },
         {
              "exists" : { "field" : "f67" }
         }
       ]
    }
  }
}'

我应该使用什么来在200列1200万行数据集上执行相似性函数？

1 个答案: