Question

我尝试使用引发1.1.0提供的新TFIDF算法。我正在用Java编写我的MLLib工作，但我无法弄清楚如何使TFIDF实现工作。由于某些原因，IDFModel仅接受JavaRDD作为方法transform的输入，而不是简单的Vector。 如何使用给定的类为我的LabledPoints建模TFIDF向量？

注意：文档行的格式为[Label;文本]

到目前为止我的代码：

        // 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
        ???

来自Sean Owen的

解决方案 ：

        // 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

如您所见，

IDFModel.transform()接受JavaRDD或RDD Vector。在单个Vector上计算模型是没有意义的，所以这不是你正在寻找的那个吗？

我假设您使用的是Java，因此您的意思是要将其应用于JavaRDD<LabeledPoint>。 LabeledPoint包含Vector和标签。 IDF不是分类器或回归器，因此它不需要标签。您可以map一堆LabeledPoint来提取他们的Vector。

但你上面已经有JavaRDD<Vector>了。 TF-IDF仅仅是基于语料库中的词频将单词映射到实值特征的一种方式。它也不输出标签。也许你的意思是你想要从TF-IDF衍生的特征向量和你已经拥有的其他一些标签开发分类器？

也许这样可以解决问题，但除此之外，你必须大大澄清你想用TF-IDF实现的目标。

LogisticRegression的Spark MLLib TFIDF实现

1 个答案: