Mahout 集群：使用 seqdumper 检索命名向量的名称时出错

Question

我正在使用 mahout 在包含 12 个文档的目录上使用以下命令进行 k-means 聚类：

mahout seq2sparse -i /user/manisha1414/dir_001-seqfiles -o /user/manisha1414/dir_001-vectors --maxDFPercent 85 --namedVector
mahout seqdumper -i /user/manisha1414/dir_001-kmeans-clusters/clusteredPoints/part-m-00000 > ./dir_001-cluster-docs.txt

我得到以下输出

Key: 0: Value: wt: 1.0 distance: 47.44299700930014  vec: [{"0":2.386},{"2":1.875},{"9":2.386},{"14":2.386......... 
Key: 11: Value: wt: 1.0 distance: 217.4603558919857  vec: [{"0":2.386},{"2":1.875},{".........

我没有在上面的输出中得到矢量 ID。

请帮我在输出中也获取向量 ID！！

Answer 1

在将序列文件转换为向量时使用“--namedVector true”。

Answer 2

当我尝试这个时，seqdumper 没有包含命名向量。除了设置 --namedVector 之外，解决方法是使用 clusterdump。需要使用“-of CSV”设置输出格式，因为默认文本输出格式也不保存命名向量。

mahout clusterdump -d /user/manisha1414/docs-vectors/dictionary.file-0 -i /user/manisha1414/dir_001-kmeans-clusters/clusters-3-final -o clusters.csv -p /user/manisha1414/dir_001-kmeans-clusters/clusteredPoints -dt sequencefile -b 100 -n 20 -of CSV --evaluate

Mohammad 在 How to read Mahout clustering output

中指出了这一点

Mahout 集群：使用 seqdumper 检索命名向量的名称时出错

Mahout clustering: Error in retrieving the name of a named vector using seqdumper

k-means

mahout