minhash在mahout小实验

本文介绍使用Mahout实现MinHash算法进行文档聚类的过程。通过编写文本文件并利用特定命令处理,最终实现了相似文档的有效聚集。

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

随便写几个文本文件到examples/minhash-test/

执行以下命令:

unset HADOOP_HOME
unset HADOOP_CONF_DIR
bin/mahout seqdirectory -c UTF-8 -i examples/minhash-test/ -o minhash-test-seqfiles
bin/mahout seq2sparse -i minhash-test-seqfiles/ -o minhash-test-vectors -ow

rm -rf minhash-test-output/
bin/mahout org.apache.mahout.clustering.minhash.MinHashDriver -i minhash-test-vectors/tfidf-vectors/ -o minhash-test-output -mcs 1 -mvs 1


查看minhash-test-output发现相同文档已经聚集到一起了

参考:

mahout的官方minhash wiki -- https://cwiki.apache.org/MAHOUT/minhash-clustering.html

mahout in action第八章8.3节介绍了如何将文档表示为向量,照着做就可以了

评论 1
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