如何使用Spark为文本分类创建TF-IDF？

Question

我有一个CSV文件,格式如下:

product_id1,product_title1
product_id2,product_title2
product_id3,product_title3
product_id4,product_title4
product_id5,product_title5
[...]

product_idX是一个整数,product_titleX是一个String,例如:

453478692, Apple iPhone 4 8Go

我正在尝试从我的文件创建TF-IDF,所以我可以将它用于MLlib中的朴素贝叶斯分类器.

到目前为止,我正在使用Spark for Scala并使用我在官方页面和Berkley AmpCamp 3和4上找到的教程.

所以我正在读文件:

val file = sc.textFile("offers.csv")

然后我将它映射到元组中 RDD[Array[String]]

val tuples = file.map(line => line.split(",")).cache

在我将元组转换成对之后 RDD[(Int, String)]

val pairs = tuples.(line => (line(0),line(1)))

但我被困在这里,我不知道如何从它创建Vector,把它变成TFIDF.

谢谢

Answer 1

为了自己这样做(使用pyspark),我首先从语料库中创建两个数据结构.第一个是关键的价值结构

document_id, [token_ids]

第二个是反向索引

token_id, [document_ids]

我将分别称为语料库和inv_index.

为了得到这个,我们需要计算每个文档中每个标记的出现次数.所以

from collections import Counter
def wc_per_row(row):
    cnt = Counter()
    for word in row:
        cnt[word] += 1
    return cnt.items() 

tf = corpus.map(lambda (x, y): (x, wc_per_row(y)))

df只是每个术语倒排索引的长度.由此我们可以计算出idf.

df = inv_index.map(lambda (x, y): (x, len(y)))
num_documnents = tf.count()

# At this step you can also apply some filters to make sure to keep
# only terms within a 'good' range of df. 
import math.log10
idf = df.map(lambda (k, v): (k, 1. + log10(num_documents/v))).collect()

现在我们只需要在term_id上进行连接:

def calc_tfidf(tf_tuples, idf_tuples):
    return [(k1, v1 * v2) for (k1, v1) in tf_tuples for
        (k2, v2) in idf_tuples if k1 == k2]

tfidf = tf.map(lambda (k, v): (k, calc_tfidf(v, idf)))

不过,这不是一个特别高效的解决方案.调用collect将idf带入驱动程序,以便它可用于连接似乎是错误的事情.

当然,它需要首先标记并创建从词汇表中的每个uniq标记到某个token_id的映射.

如果有人能改进这一点,我很感兴趣.