计算文档相关性的余弦相似度

时间:2019-09-25 06:12:14

标签: pyspark apache-spark-mllib tf-idf

我已经使用归一化TF-IDF和关键字RDD,现在想计算余弦相似度以找到文档的相关性得分。

所以我尝试了

    documentRdd = sc.textFile("documents.txt").flatMap(lambda l: re.split(r'[^\w]+',l))
    keyWords = sc.textFile("keywords.txt").flatMap(lambda l: re.split(r'[^\w]+',l))
    normalizer1 = Normalizer()
    hashingTF = HashingTF()
    tf = hashingTF.transform(documentRdd)
    tf.cache()
    idf = IDF().fit(tf)
    tfidf = idf.transform(tf)
    normalizedtfidf=normalizer1.transform(tfidf)

现在我想计算normalizedtfidf和keyWords之间的余弦相似度,因此我尝试使用

x = Vectors.dense(normalizedtfidf)
y = Vectors.dense(keywordTF)
print(1 - x.dot(y)/(x.norm(2)*y.norm(2)) , "is the releavance score")

但这会引发错误

  

TypeError:float()参数必须为字符串或数字

这意味着我传递的格式错误。感谢您的帮助。

更新

然后我尝试了

    x = Vectors.sparse(normalizedtfidf.count(),normalizedtfidf.collect())
    y = Vectors.sparse(keywordTF.count(),keywordTF.collect())

但是得到了

  

TypeError:无法将类型视为   向量

作为错误。

1 个答案:

答案 0 :(得分:1)

出现错误是因为您试图将RDD强制转换为Vectors。

您可以通过执行以下步骤来实现所需的功能而无需进行转换:

  1. 将两个RDD加入一个RDD。请注意,我假设您在两个RDD中都没有唯一的索引来加入。
# Adding index to both RDDs by row.
rdd1 = normalizedtfidf.zipWithIndex().map(lambda arg : (arg[1], arg[0]))
rdd2 = keywordTF.zipWithIndex().map(lambda arg : (arg[1], arg[0]))

# Join both RDDs.
rdd_joined = rdd1.join(rdd2)
  1. map RDD具有计算余弦距离的功能。
def cosine_dist(row):
    x = row[1][0]
    y = row[1][1]
    return (1 - x.dot(y)/(x.norm(2)*y.norm(2)))

res = rdd_joined.map(cosine_dist)

然后您可以使用结果或运行collect来查看结果。