文档相关性的余弦相似度计算

Question

我已经进行了归一化TF-以色列国防军和关键字RDD，现在想要计算余弦相似度，以找到相关评分的文档。

所以我试着

    documentRdd = sc.textFile("documents.txt").flatMap(lambda l: re.split(r'[^\w]+',l))
    keyWords = sc.textFile("keywords.txt").flatMap(lambda l: re.split(r'[^\w]+',l))
    normalizer1 = Normalizer()
    hashingTF = HashingTF()
    tf = hashingTF.transform(documentRdd)
    tf.cache()
    idf = IDF().fit(tf)
    tfidf = idf.transform(tf)
    normalizedtfidf=normalizer1.transform(tfidf)

现在，我想计算一下我尝试使用的标准文件和keyWords.So之间的余弦相似性。

x = Vectors.dense(normalizedtfidf)
y = Vectors.dense(keywordTF)
print(1 - x.dot(y)/(x.norm(2)*y.norm(2)) , "is the releavance score")

但这会将错误抛出

TypeError: float()参数必须是字符串或数字

这意味着我传递错误的格式.Any帮助是感激的。

更新

我当时试过了

    x = Vectors.sparse(normalizedtfidf.count(),normalizedtfidf.collect())
    y = Vectors.sparse(keywordTF.count(),keywordTF.collect())

但得到

TypeError:不能将类型视为向量

作为错误。

Answer 1

您得到了错误，因为您正试图强制地将RDD转换为向量。

通过执行以下步骤，您可以在不执行转换的情况下实现所需的内容：

1. 将两个RDD连接到一个RDD中。请注意，我假设您在加入.

的两个RDDs中都没有唯一的索引。

# Adding index to both RDDs by row.
rdd1 = normalizedtfidf.zipWithIndex().map(lambda arg : (arg[1], arg[0]))
rdd2 = keywordTF.zipWithIndex().map(lambda arg : (arg[1], arg[0]))

# Join both RDDs.
rdd_joined = rdd1.join(rdd2)

具有计算余弦距离的函数的

1. map RDD .

def cosine_dist(row):
    x = row[1][0]
    y = row[1][1]
    return (1 - x.dot(y)/(x.norm(2)*y.norm(2)))

res = rdd_joined.map(cosine_dist)

然后您可以使用您的结果或运行collect来查看它们。