基于Spark计算网络图中节点之间的Jaccard相似性

基于Spark计算网络图中节点之间的Jaccard相似性

Jaccard 相似度是一种较为常用的衡量两个集合相似性的指标，用于计算两个集合的交集与并集的比率。具体来说，它的计算公式为：

在网络图中同样经常使用Jaccard来计算节点之间的相似性，对于图中的每个节点，收集其邻居节点作为一个集合，然后不同节点之间使用对应的集合计算节点之间的相似性。这种计算方式考虑的是节点的局部结构，即节点的直接邻居关系。如果两个节点具有较高的 Jaccard 相似度，意味着它们有较多的共同邻居，表明它们在图中的局部结构上非常相似。
Jaccard计算简单，易于理解和实现，在推荐系统（在社交网络或电商平台中，可以使用 Jaccard 相似度来推荐好友或商品。例如，在社交网络中，具有共同好友的用户可能更容易成为朋友。）或是社区发现（在网络图中，相似度较高的节点可能属于同一社区或群体。通过计算节点对之间的 Jaccard 相似度，可以辅助发现社区结构或群体。）等领域都有广泛应用。

---

一、使用Jaccard相似性计算网络图中节点相似性的实现流程

• 收集所有指向节点的邻居节点（in-degree）
• 收集所有由节点指出的邻居节点（out-degree）
• 拼接in-degree和out-degree，获取节点所有的邻居节点
• 词袋模型编码，为每个节点生成一个特征集合，方便后续使用Spark自带的MinHashLSH方法加速节点相似度的计算
• MinHash计算节点之间的相似度，得到最终计算结果

二、什么是MinHashLSH

什么是MinHashLSH

三、完整代码（基于Scala）

完整代码（基于Scala）

---

总结