计算Spark中的点态互信息

Question

我试图计算pointwise mutual information（PMI）。

我有两个分别为p（x，y）和p（x）定义的RDD：

pii: RDD[((String, String), Double)]
 pi: RDD[(String, Double)]

我在编写来自RDD pii和pi的PMI时编写的任何代码都不是很好。我的方法是首先压平RDD pii并加入pi两次，同时按摩元组元素。

val pmi = pii.map(x => (x._1._1, (x._1._2, x._1, x._2)))
             .join(pi).values
             .map(x => (x._1._1, (x._1._2, x._1._3, x._2)))
             .join(pi).values
             .map(x => (x._1._1, computePMI(x._1._2, x._1._3, x._2)))
// pmi: org.apache.spark.rdd.RDD[((String, String), Double)]
...
def computePMI(pab: Double, pa: Double, pb: Double) = {
  // handle boundary conditions, etc
  log(pab) - log(pa) - log(pb)
}

显然，这很糟糕。有没有更好的（惯用）方式来做到这一点？ 注意：我可以通过在pi和pii中存储log-prob来优化日志，但选择以这种方式编写以保持问题清晰。

Answer 1

使用broadcast将是一种解决方案。

val bcPi = pi.context.broadcast(pi.collectAsMap())
val pmi = pii.map {
  case ((x, y), pxy) =>
    (x, y) -> computePMI(pxy, bcPi.value.get(x).get, bcPi.value.get(y).get)
}

假设：pi x中有y和pii。{/ p>