我正在使用Apache Spark ML LSH的roximatedSimilarityJoin方法加入2个数据集,但是我看到一些奇怪的行为。
(内部)加入后,数据集有点偏斜,但是每次一个或多个任务需要花费非常长的时间才能完成。
如您所见,每个任务的中位数为6毫秒(我正在较小的源数据集上对其进行测试),但是1个任务需要10分钟。它几乎不使用任何CPU周期,它实际上是在联接数据,但是太慢了。 下一个最慢的任务在14秒内运行,记录增加了4倍,实际上溢出到磁盘上。
联接本身是pos和hashValue(minhash)上的两个数据集之间的内部联接,符合minhash规范和udf,用于计算匹配对之间的jaccard距离。
分解哈希表:
modelDataset.select(
struct(col("*")).as(inputName), posexplode(col($(outputCol))).as(explodeCols))
Jaccard距离功能:
override protected[ml] def keyDistance(x: Vector, y: Vector): Double = {
val xSet = x.toSparse.indices.toSet
val ySet = y.toSparse.indices.toSet
val intersectionSize = xSet.intersect(ySet).size.toDouble
val unionSize = xSet.size + ySet.size - intersectionSize
assert(unionSize > 0, "The union of two input sets must have at least 1 elements")
1 - intersectionSize / unionSize
}
加入已处理的数据集:
// Do a hash join on where the exploded hash values are equal.
val joinedDataset = explodedA.join(explodedB, explodeCols)
.drop(explodeCols: _*).distinct()
// Add a new column to store the distance of the two rows.
val distUDF = udf((x: Vector, y: Vector) => keyDistance(x, y), DataTypes.DoubleType)
val joinedDatasetWithDist = joinedDataset.select(col("*"),
distUDF(col(s"$leftColName.${$(inputCol)}"), col(s"$rightColName.${$(inputCol)}")).as(distCol)
)
// Filter the joined datasets where the distance are smaller than the threshold.
joinedDatasetWithDist.filter(col(distCol) < threshold)
我尝试过将缓存,重新分区甚至启用spark.speculation
组合使用,但无济于事。
数据由必须匹配的带状地址文本组成:
53536, Evansville, WI
=> 53, 35, 36, ev, va, an, ns, vi, il, ll, le, wi
与城市或邮编中有错字的记录的距离将很短。
给出的结果非常准确,但这可能是联接偏斜的原因。
我的问题是:
答案 0 :(得分:1)
可能有点晚了,但是无论如何我都会在这里发布答案,以帮助他人。最近,我遇到了与拼写错误的公司名称(All executors dead MinHash LSH PySpark approxSimilarityJoin self-join on EMR cluster)相匹配的类似问题。有人建议我采用NGrams来减少数据偏差,从而帮助了我。这对我帮助很大。您也可以尝试使用3克或4克。
我不知道数据有多脏,但是您可以尝试利用状态。基本上已经减少了可能的匹配次数。
真正帮助我提高匹配准确性的是,通过在每个组件上运行标签传播算法来对连接的组件(MinHashLSH进行的一组连接的匹配)进行后处理。这还允许您增加N个(NGram中的)N,从而减轻数据偏斜的问题,减少approxSimilarityJoin
中jaccard distance参数的设置,以及使用标签传播进行后处理。
最后,我目前正在研究使用skipgrams进行匹配。我发现在某些情况下它可以更好地工作,并在一定程度上减少了数据偏斜。