spark构建图graphx

本文介绍了一种基于雅可比相似度计算的方法来实现文本的语义归一化,并利用Apache Spark GraphX构建节点间的相似度图。通过计算文本中字符的频率分布并比较不同文本间的相似度,该方法能够有效地衡量文本之间的相似性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

import org.apache.spark.graphx.{Edge, Graph}
import utility.Helpers

import scala.collection.mutable

/**
  * Created by fhqplzj on 2017/7/20.
  */
object SemanticNormalization {
  def word_count(s: String): mutable.Map[Char, Int] = {
    /**
      * word count的作用
      */
    val hashMap = new mutable.HashMap[Char, Int]().withDefaultValue(0)
    s.foreach {
      c =>
        hashMap(c) += 1
    }
    hashMap
  }

  def jaccard_similarity(s1: String, s2: String): Double = {
    /**
      * 广义雅可比相似度计算
      */
    val m1 = word_count(s1)
    val m2 = word_count(s2)
    val ks1 = m1.keySet
    val ks2 = m2.keySet
    val numerator = (ks1 & ks2).toSeq.map {
      x =>
        Math.min(m1(x), m2(x))
    }.sum
    val denominator = (ks1 | ks2).toSeq.map {
      x =>
        Math.max(m1(x), m2(x))
    }.sum
    1.0 * numerator / denominator
  }

  def main(args: Array[String]): Unit = {
    val sc = Helpers.getSc
    val vertices = sc.textFile("file:///tmp/graph.txt").map {
      line =>
        val parts = line.split("\t")
        (parts(0), parts(1))
    }.zipWithIndex().map(_.swap)
    val similarities = vertices.cartesian(vertices).flatMap {
      case ((id1, (content1, _)), (id2, (content2, _))) =>
        val sim = jaccard_similarity(content1, content2)
        if (id1 < id2) {
          Seq(Edge(id1, id2, sim), Edge(id2, id1, sim))
        } else if (id1 == id2) {
          Seq(Edge(id1, id2, sim))
        } else {
          None
        }
    }
    val graph = Graph.fromEdges(similarities, 0.0)
    /*构建好了图,接下来做自己想做的事,比如提取图的连通分量。*/
    println(graph.vertices.count())
  }
}

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值