在 spark 中为 LDA 准备数据

Question

我正在努力实施 Spark LDA 模型（通过 Scala API），但在为我的数据执行必要的格式化步骤时遇到了问题。我的原始数据（存储在文本文件中）采用以下格式，本质上是令牌列表及其对应的文档。一个简化的例子：

doc XXXXX   term    XXXXX
1   x       'a'     x
1   x       'a'     x
1   x       'b'     x
2   x       'b'     x
2   x       'd'     x
...

其中 XXXXX 列是我不关心的垃圾数据。我意识到这是一种非典型的语料库数据存储方式，但这就是我所拥有的。正如我希望从示例中清楚的那样，原始数据中每个 token 一行（因此，如果给定术语在文档中出现 5 次，则对应于 5 行文本） .

无论如何，我需要将这些数据格式化为稀疏词频向量，用于运行 Spark LDA 模型，但我不熟悉 Scala，所以遇到了一些麻烦。

我开始于：

import org.apache.spark.mllib.clustering.{LDA, DistributedLDAModel}
import org.apache.spark.mllib.linalg.{Vector, Vectors}
import org.apache.spark.rdd.RDD

val corpus:RDD[Array[String]] = sc.textFile("path/to/data")
    .map(_.split('\t')).map(x => Array(x(0),x(2)))

然后我得到生成稀疏向量所需的词汇数据：

val vocab: RDD[String] = corpus.map(_(1)).distinct()
val vocabMap: Map[String, Int] = vocab.collect().zipWithIndex.toMap

我不知道在这里使用的映射函数是否合适，这样我就可以为每个文档得到一个稀疏词频向量，然后我可以将其输入 LDA 模型。我想我需要这些方面的东西...

val documents: RDD[(Long, Vector)] = corpus.groupBy(_(0)).zipWithIndex
    .map(x =>(x._2,Vectors.sparse(vocabMap.size, ???)))

此时我可以运行实际的 LDA：

val lda = new LDA().setK(n_topics)
val ldaModel = lda.run(documents)

基本上，我不知道要对每个组应用什么函数，以便我可以将词频数据（大概是 map？）输入到稀疏向量中。也就是说，我要如何填写上面代码段中的???才能达到想要的效果？

Answer 1

一种处理方法：

确保 spark-csv 包可用

将数据加载到 DataFrame 和 select 感兴趣的列

val df = sqlContext.read
    .format("com.databricks.spark.csv")
    .option("header", "true")
    .option("inferSchema", "true") // Optional, providing schema is prefered
    .option("delimiter", "\t")
    .load("foo.csv")
    .select($"doc".cast("long").alias("doc"), $"term")

索引term列：

import org.apache.spark.ml.feature.StringIndexer

val indexer = new StringIndexer()
  .setInputCol("term")
  .setOutputCol("termIndexed")

val indexed = indexer.fit(df)
  .transform(df)
  .drop("term")
  .withColumn("termIndexed", $"termIndexed".cast("integer"))
  .groupBy($"doc", $"termIndexed")
  .agg(count(lit(1)).alias("cnt").cast("double"))

转换为PairwiseRDD

import org.apache.spark.sql.Row

val pairs = indexed.map{case Row(doc: Long, term: Int, cnt: Double) => 
  (doc, (term, cnt))}

按文档分组：
```
val docs = pairs.groupByKey
```

创建特征向量

import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.sql.functions.max

val n = indexed.select(max($"termIndexed")).first.getInt(0) + 1

val docsWithFeatures = docs.mapValues(vs => Vectors.sparse(n, vs.toSeq))

现在您拥有了创建LabeledPoints或应用额外处理

在 spark 中为 LDA 准备数据

Preparing data for LDA in spark

scala

apache-spark

apache-spark-mllib

lda