MapReduce在Google App Engine中的多种数据存储类型上

Question

我刚看了谷歌I/O 2010 App Engine会话的批量数据处理,阅读了Google Research的MapReduce部分文章,现在我想在Google App Engine上使用MapReduce来实现Python的推荐系统.

我更喜欢使用appengine-mapreduce而不是Task Queue API,因为前者提供了对某种实例,自动批处理,自动任务链等的轻松迭代.问题是:我的推荐系统需要计算两个不同模型的实例之间的相关性,即两种不同种类的实例.

示例:我有这两个模型:用户和项目.每个标签都有一个标签列表作为属性.以下是计算用户和项目之间的相关性的函数.请注意,calculateCorrelation应为每个用户和项目组合调用:

def calculateCorrelation(user, item):
    return calculateCorrelationAverage(u.tags, i.tags)

def calculateCorrelationAverage(tags1, tags2):
    correlationSum = 0.0
    for (tag1, tag2) in allCombinations(tags1, tags2):
        correlationSum += correlation(tag1, tag2)
    return correlationSum / (len(tags1) + len(tags2))

def allCombinations(list1, list2):
    combinations = []
    for x in list1:
        for y in list2:
            combinations.append((x, y))
    return combinations             

但这calculateCorrelation不是appengine-mapreduce中的有效Mapper,也许这个函数甚至不兼容MapReduce计算概念.然而,我需要确定......对于我来说,拥有像自动批处理和任务链接这样的appengine-mapreduce优势真的很棒.

那有什么解决方案吗？

我应该定义自己的InputReader吗？读取两种不同类型的所有实例的新InputReader与当前的appengine-mapreduce实现兼容？

或者我应该尝试以下？

• 将这两种类型的所有实体的所有键(两两)组合成一个新模型的实例(可能使用MapReduce)
• 在此新模型的实例上使用映射器进行迭代
• 对于每个实例,使用其中的键来获取不同类型的两个实体并计算它们之间的相关性.

Answer 1

根据 Nick Johnson 的建议，我编写了自己的 InputReader。该读取器从两种不同类型中获取实体。它生成包含这些实体的所有组合的元组。这里是：

class TwoKindsInputReader(InputReader):
    _APP_PARAM = "_app"
    _KIND1_PARAM = "kind1"
    _KIND2_PARAM = "kind2"
    MAPPER_PARAMS = "mapper_params"

    def __init__(self, reader1, reader2):
        self._reader1 = reader1
        self._reader2 = reader2

    def __iter__(self):
        for u in self._reader1:
            for e in self._reader2:
                yield (u, e)

    @classmethod
    def from_json(cls, input_shard_state):
        reader1 = DatastoreInputReader.from_json(input_shard_state[cls._KIND1_PARAM])
        reader2 = DatastoreInputReader.from_json(input_shard_state[cls._KIND2_PARAM])

        return cls(reader1, reader2)

    def to_json(self):
        json_dict = {}
        json_dict[self._KIND1_PARAM] = self._reader1.to_json()
        json_dict[self._KIND2_PARAM] = self._reader2.to_json()
        return json_dict

    @classmethod
    def split_input(cls, mapper_spec):
        params = mapper_spec.params
        app = params.get(cls._APP_PARAM)
        kind1 = params.get(cls._KIND1_PARAM)
        kind2 = params.get(cls._KIND2_PARAM)
        shard_count = mapper_spec.shard_count
        shard_count_sqrt = int(math.sqrt(shard_count))

        splitted1 = DatastoreInputReader._split_input_from_params(app, kind1, params, shard_count_sqrt)
        splitted2 = DatastoreInputReader._split_input_from_params(app, kind2, params, shard_count_sqrt)
        inputs = []

        for u in splitted1:
            for e in splitted2:
                inputs.append(TwoKindsInputReader(u, e))

        #mapper_spec.shard_count = len(inputs) #uncomment this in case of "Incorrect number of shard states" (at line 408 in handlers.py)
        return inputs

    @classmethod
    def validate(cls, mapper_spec):
        return True #TODO

当您需要处理两种实体的所有组合时，应该使用此代码。您还可以将其概括为两种以上。

这是一个有效的mapreduce.yaml TwoKindsInputReader：

mapreduce:
- name: recommendationMapReduce
  mapper:
    input_reader: customInputReaders.TwoKindsInputReader
    handler: recommendation.calculateCorrelationHandler
    params:
    - name: kind1
      default: kinds.User
    - name: kind2
      default: kinds.Item
    - name: shard_count
      default: 16