使用apache spark在TFIDF上的余弦相似性

Question

我正在尝试使用Apache Spark计算TFIDF上的余弦相似度矩阵。 这是我的代码：

def cosSim(input: RDD[Seq[String]]) = {
  val hashingTF = new HashingTF()
  val tf = hashingTF.transform(input)
  tf.cache()
  val idf = new IDF().fit(tf)
  val tfidf = idf.transform(tf)
  val mat = new RowMatrix(tfidf)
  val sim = mat.columnSimilarities
  sim
}

我在输入中有大约3000行，但如果我执行sim.numRows（）或sim.numCols（），我会看到1048576而不是3K，据我所知，这是因为val tfidf因此val mat都有大小3K * 1048576其中1048576是tf功能的数量。也许要解决我必须换位垫的问题，但我不知道该怎么做。

Answer 1

您可以尝试：

import org.apache.spark.mllib.linalg.distributed._

val irm = new IndexedRowMatrix(rowMatrix.rows.zipWithIndex.map {
   case (v, i) => IndexedRow(i, v)
})

irm.toCoordinateMatrix.transpose.toRowMatrix.columnSimilarities