计算文档相关性的余弦相似度

Question

我已经对关键字 RDD 进行了标准化的 TF-IDF，现在想计算余弦相似度以找到文档的相关性分数。

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.So 之间的余弦相似度我尝试使用

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

但这会抛出错误

TypeError: float() argument must be a string or a number

这意味着我传递的格式错误。感谢任何帮助。

更新

我试过了

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

但得到了

TypeError: Cannot treat type as a vector

作为错误。

Answer 1

您遇到错误是因为您试图将 RDD 强制转换为向量。

您可以通过执行以下步骤在不进行转换的情况下实现所需的功能：

将两个 RDD 合并为一个 RDD。请注意，我假设您在两个 RDD 中都没有用于加入的唯一索引。

# 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)

map RDD具有计算余弦距离的函数。

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)

然后您可以使用您的结果或运行 collect 来查看它们。

计算文档相关性的余弦相似度

Calculate cosine similarity of document relevance

pyspark

apache-spark-mllib

tf-idf