Question

我正在努力实现Spark LDA模型（通过Scala API），并且无法对我的数据进行必要的格式化步骤。我的原始数据（存储在文本文件中）采用以下格式，基本上是令牌列表及其对应的文档。一个简化的例子：

doc XXXXX   term    XXXXX
1   x       'a'     x
1   x       'a'     x
1   x       'b'     x
2   x       'b'     x
2   x       'd'     x
...

XXXXX列是垃圾数据我不关心。我意识到这是一种存储语料库数据的非典型方式，但这就是我所拥有的。我希望从示例中可以清楚地看出，原始数据中每个标记有一行（因此，如果给定术语在文档中出现5次，则对应于5行文本）。

无论如何，我需要将这些数据格式化为用于运行Spark LDA模型的稀疏术语 - 频率向量，但是我不熟悉Scala，因此遇到了一些麻烦。

我从：

开始

import org.apache.spark.mllib.clustering.{LDA, DistributedLDAModel}
import org.apache.spark.mllib.linalg.{Vector, Vectors}
import org.apache.spark.rdd.RDD

val corpus:RDD[Array[String]] = sc.textFile("path/to/data")
    .map(_.split('\t')).map(x => Array(x(0),x(2)))

然后我得到了生成稀疏向量所需的词汇数据：

val vocab: RDD[String] = corpus.map(_(1)).distinct()
val vocabMap: Map[String, Int] = vocab.collect().zipWithIndex.toMap

我不知道的是在这里使用的正确的映射函数，这样我最终得到每个文档的稀疏项频率向量，然后我可以将其输入到LDA模型中。我想我需要这些方面的东西......

val documents: RDD[(Long, Vector)] = corpus.groupBy(_(0)).zipWithIndex
    .map(x =>(x._2,Vectors.sparse(vocabMap.size, ???)))

此时我可以运行实际的LDA：

val lda = new LDA().setK(n_topics)
val ldaModel = lda.run(documents)

基本上，我没有应用于每个组的功能，以便我可以将术语频率数据（可能是map？）提供给稀疏矢量。换句话说，如何填写上面代码段中的???以达到预期的效果？

Answer 1

处理此问题的一种方法：

确保spark-csv包可用

将数据加载到DataFrame中并选择感兴趣的列

val df = sqlContext.read
    .format("com.databricks.spark.csv")
    .option("header", "true")
    .option("inferSchema", "true") // Optional, providing schema is prefered
    .option("delimiter", "\t")
    .load("foo.csv")
    .select($"doc".cast("long").alias("doc"), $"term")

索引term列：

import org.apache.spark.ml.feature.StringIndexer

val indexer = new StringIndexer()
  .setInputCol("term")
  .setOutputCol("termIndexed")

val indexed = indexer.fit(df)
  .transform(df)
  .drop("term")
  .withColumn("termIndexed", $"termIndexed".cast("integer"))
  .groupBy($"doc", $"termIndexed")
  .agg(count(lit(1)).alias("cnt").cast("double"))

转换为PairwiseRDD

import org.apache.spark.sql.Row

val pairs = indexed.map{case Row(doc: Long, term: Int, cnt: Double) => 
  (doc, (term, cnt))}

按文档分组：
```
val docs = pairs.groupByKey
```

创建特征向量

import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.sql.functions.max

val n = indexed.select(max($"termIndexed")).first.getInt(0) + 1

val docsWithFeatures = docs.mapValues(vs => Vectors.sparse(n, vs.toSeq))

现在您已经拥有创建LabeledPoints或应用其他处理所需的一切

在火花中为LDA准备数据

1 个答案: