如何从余弦相似度矩阵中获取项目 ID?
How to get item id from cosine similarity matrix?
我正在使用 Spark Scala 计算 Dataframe 行之间的余弦相似度。
Dataframe 架构如下:
root
|-- itemId: string (nullable = true)
|-- features: vector (nullable = true)
下面的数据框示例
+-------+--------------------+
| itemId| features|
+-------+--------------------+
| ab |[4.7143,0.0,5.785...|
| cd |[5.5,0.0,6.4286,4...|
| ef |[4.7143,1.4286,6....|
........
+-------+--------------------+
计算余弦相似度的代码:
val irm = new IndexedRowMatrix(myDataframe.rdd.zipWithIndex().map {
case (row, index) => IndexedRow(row.getAs[Vector]("features"), index)
}).toCoordinateMatrix.transpose.toRowMatrix.columnSimilarities
在 irm 矩阵中,我有 (i, j, score),其中 i、j 是项目 i 的索引,以及原始数据帧的 j。
我想要的是得到 (itemIdA, itemIdB, score) 其中 itemIdA 和 itemIdB 分别是索引 i 和 j 的 ID,通过将此 irm 与初始数据帧连接或者是否有更好的选择?
在将数据帧转换为矩阵之前创建行索引,并在索引和 ID 之间创建映射。计算完成后,使用创建的 Map
将列索引(以前是行索引,但用 transpose
更改)转换为 id.
val rdd = myDataframe.as[(String, org.apache.spark.mllib.linalg.Vector)].rdd.zipWithIndex()
val indexMap = rdd.map{case ((id, vec), index) => (index, id)}.collectAsMap()
像以前一样计算余弦相似度:
val irm = new IndexedRowMatrix(rdd.map{case ((id, vec), index) => IndexedRow(index, vec)})
.toCoordinateMatrix().transpose().toRowMatrix().columnSimilarities()
将列索引转换回 ID:
irm.entries.map(e => (indexMap(e.i), indexMap(e.j), e.value))
这应该能满足您的需求。
我正在使用 Spark Scala 计算 Dataframe 行之间的余弦相似度。
Dataframe 架构如下:
root
|-- itemId: string (nullable = true)
|-- features: vector (nullable = true)
下面的数据框示例
+-------+--------------------+
| itemId| features|
+-------+--------------------+
| ab |[4.7143,0.0,5.785...|
| cd |[5.5,0.0,6.4286,4...|
| ef |[4.7143,1.4286,6....|
........
+-------+--------------------+
计算余弦相似度的代码:
val irm = new IndexedRowMatrix(myDataframe.rdd.zipWithIndex().map {
case (row, index) => IndexedRow(row.getAs[Vector]("features"), index)
}).toCoordinateMatrix.transpose.toRowMatrix.columnSimilarities
在 irm 矩阵中,我有 (i, j, score),其中 i、j 是项目 i 的索引,以及原始数据帧的 j。 我想要的是得到 (itemIdA, itemIdB, score) 其中 itemIdA 和 itemIdB 分别是索引 i 和 j 的 ID,通过将此 irm 与初始数据帧连接或者是否有更好的选择?
在将数据帧转换为矩阵之前创建行索引,并在索引和 ID 之间创建映射。计算完成后,使用创建的 Map
将列索引(以前是行索引,但用 transpose
更改)转换为 id.
val rdd = myDataframe.as[(String, org.apache.spark.mllib.linalg.Vector)].rdd.zipWithIndex()
val indexMap = rdd.map{case ((id, vec), index) => (index, id)}.collectAsMap()
像以前一样计算余弦相似度:
val irm = new IndexedRowMatrix(rdd.map{case ((id, vec), index) => IndexedRow(index, vec)})
.toCoordinateMatrix().transpose().toRowMatrix().columnSimilarities()
将列索引转换回 ID:
irm.entries.map(e => (indexMap(e.i), indexMap(e.j), e.value))
这应该能满足您的需求。