sparkmllib如何實(shí)現(xiàn)TF-IDF

這篇文章給大家分享的是有關(guān)spark mllib如何實(shí)現(xiàn)TF-IDF的內(nèi)容。小編覺得挺實(shí)用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

成都創(chuàng)新互聯(lián)公司長期為上千多家客戶提供的網(wǎng)站建設(shè)服務(wù)，團(tuán)隊(duì)從業(yè)經(jīng)驗(yàn)10年，關(guān)注不同地域、不同群體，并針對不同對象提供差異化的產(chǎn)品和服務(wù)；打造開放共贏平臺，與合作伙伴共同營造健康的互聯(lián)網(wǎng)生態(tài)環(huán)境。為無錫企業(yè)提供專業(yè)的網(wǎng)站制作、網(wǎng)站設(shè)計(jì)，無錫網(wǎng)站改版等技術(shù)服務(wù)。擁有十年豐富建站經(jīng)驗(yàn)和眾多成功案例,為您定制開發(fā)。

運(yùn)行代碼如下

package spark.FeatureExtractionAndTransformation

import org.apache.spark.mllib.feature.{HashingTF, IDF}
import org.apache.spark.{SparkContext, SparkConf}

/**
  * TF-IDF  是一種簡單的文本特征提取算法
  *  詞頻(Term Frequency): 某個關(guān)鍵詞在文本中出現(xiàn)的次數(shù)
  *  逆文檔頻率(Inverse Document Frequency): 大小與一個詞的常見程度成反比
  *  TF = 某個詞在文章中出現(xiàn)的次數(shù)/文章的總詞數(shù)
  *  IDF = log(查找的文章總數(shù)　/ (包含該詞的文章數(shù)　+ 1))
  *  TF-IDF = TF(詞頻)　x IDF(逆文檔頻率)
  *  此處未考慮去除停用詞(輔助詞，如副詞，介詞等)和
  *  語義重構(gòu)("數(shù)據(jù)挖掘"，＂數(shù)據(jù)結(jié)構(gòu)＂，拆分成＂數(shù)據(jù)＂，＂挖掘＂，＂數(shù)據(jù)＂，＂結(jié)構(gòu)＂)
  *  這樣兩個完全不同的文本具有　50% 的相似性，是非常嚴(yán)重的錯誤．
  * Created by eric on 16-7-24.
  */
object TF_IDF {
  val conf = new SparkConf()               //創(chuàng)建環(huán)境變量
    .setMaster("local")                                             //設(shè)置本地化處理
    .setAppName("TF_IDF")                              //設(shè)定名稱
  val sc = new SparkContext(conf)

  def main(args: Array[String]) {
    val documents = sc.textFile("/home/eric/IdeaProjects/wordCount/src/main/spark/FeatureExtractionAndTransformation/a.txt")
      .map(_.split(" ").toSeq)

    val hashingTF = new HashingTF()			//首先創(chuàng)建TF計(jì)算實(shí)例
    val tf = hashingTF.transform(documents).cache()//計(jì)算文檔TF值
    val idf = new IDF().fit(tf)						//創(chuàng)建IDF實(shí)例并計(jì)算

    val tf_idf = idf.transform(tf) //計(jì)算TF_IDF詞頻
    tf_idf.foreach(println)

//    (1048576,[179334,596178],[1.0986122886681098,0.6931471805599453])
//    (1048576,[586461],[0.1823215567939546])
//    (1048576,[422129,586461],[0.6931471805599453,0.1823215567939546])
//    (1048576,[586461,596178],[0.1823215567939546,0.6931471805599453])
//    (1048576,[422129,586461],[0.6931471805599453,0.1823215567939546])
  }
}

a.txt

hello mllib
spark
goodBye spark
hello spark
goodBye spark

結(jié)果如下

感謝各位的閱讀！關(guān)于“spark mllib如何實(shí)現(xiàn)TF-IDF”這篇文章就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，讓大家可以學(xué)到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！

網(wǎng)站欄目：sparkmllib如何實(shí)現(xiàn)TF-IDF
URL地址：http://muchs.cn/article32/ihghpc.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供電子商務(wù)、網(wǎng)站維護(hù)、網(wǎng)站策劃、企業(yè)建站、網(wǎng)站導(dǎo)航、全網(wǎng)營銷推廣

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)