Hadoop大作业Word文件下载.docx
《Hadoop大作业Word文件下载.docx》由会员分享，可在线阅读，更多相关《Hadoop大作业Word文件下载.docx（12页珍藏版）》请在冰豆网上搜索。
基于划分的聚类算法（PartitioningMethod）是文本聚类应用中最为普遍的算法。
方法将数据集合分成若干个子集，它根据设定的划分数目k选出k个初始聚类中心，得到一个初始划分，然后采用迭代重定位技术，反复在k个簇之间重新计算每个簇的聚类中心，并重新分配每个簇中的对象，以改进划分的质量。
使得到的划分满足“簇内相似度高，簇间相似度小”的聚类原则。
典型的划分聚类方法有K-means算法和K-medoids算法，两者的区别在于簇代表点的计算方法不同。
前者使用所有点的均值来代表簇，后者则采用类中某个数据对象来代表簇。
为了对大规模的数据集进行聚类，以及处理复杂形状的聚类，各类改进的划分算法逐渐增多。
基于划分方法的优点是运行速度快，但该方法必须事先确定k的取值。
算法容易局部收敛，且不同的初始聚类中心选取对聚类结果影响较大。
为此，应用最广泛的k-means算法有很多变种，他们可能在初始k个聚类中心的选择、相似度的计算和计算聚类中心等策略上有所不同，最终实现聚类结果改进的目标。
（2）基于层次的方法
基于层次的聚类算法（HierarchicalMethod）又叫“分级聚类算法”或“树聚类”，它通过分解给定的数据对象集来创建一个层次。
这种聚类方法有两种基本的技术途径：
一是先把每个对象看作一个簇，然后逐步对簇进行合并，直到所有对象合为一个簇，或满足一定条件为止；
二是把所有对象看成一类，根据一些规则不断选择一个簇进行分解，直到满足一些预定的条件，如类的数目达到了预定值，或两个最近簇的距离达到阈值等。
前者称为自下而上的凝聚式聚类，后者称为自上而下的分裂式聚类。
（3）基于密度的方法
绝大多数划分算法都是基于对象之间的距离进行聚类，这类方法只能发现圆形或球状的簇，较难发现任意形状的簇。
为此，提出了基于密度的聚类算法（Density-BasedClusteringMethod），其主要思想是：
只要邻近区域的对象或数据点的数目超过某个阈值，就继续聚类。
即对给定类中的每个数据点，在一个给定范围的区域中至少包含某个数目的点，这样就能很好的过滤掉“噪声”数据，发现任意形状的簇。
其基本出发点是，寻找低密度区域分离的高密度区域。
（4）基于网格的方法
基于网格的算法（Grid-BasedClusteringMethod）把对象空间量化为有限数目的单元，形成了一个网络结构。
所用的聚类操作都在整个网络结构即量化的空间上进行。
这种方法的一个突出的优点就是处理速度很快，其处理时间独立于数据对象的数目，只与量化空间中的每一维的单元数目有关。
（5）基于模型的方法
基于模型的算法（Model-BasedClusteringMethod）试图优化给定的数据和某些数学模型之间的适应性。
这样的算法经常是基于这样的假设，数据是根据潜在的概率分布生成的。
它通过为每个聚类假设一个模型来发现符合相应模型的数据对象。
根据标准统计方法并综合考虑“噪声”或异常数据，该方法可以自动确定聚类个数，从而得到鲁棒性较好的聚类方法。
基于模型的算法主要有两类，分别为统计学方法和神经网络方法。
2.3K-means算法
K-means算法接受数据集和参数k，经过若干次迭代，将输入的n个数据对象（以m维向量形式表示）划分为k个聚类，使得所获得的聚类满足：
1、同一聚类中的数据对象的相似度较高（或距离最近）；
2、不同聚类中的数据对象的相似度较低（或距离最远）。
算法流程：
1、适当选择k个初始中心；
2、在第i次迭代中，对任意一个样本数据，求其到k个中心的距离，然后将该样本数据归到距离最短的中心所在的类；
3、对于每个类，利用求均值等方法更新该类的中心值；
4、对于所有的k个聚类中心，如果经过2、3的某次迭代法更新后，值保持不变，则迭代结束，否则继续迭代。
2.4Hadoop实现
本次作业的实验数据为大量的中文短文本，包含未分词和已分词两种模式，而对于大规模的中文网站聚类，其流程见下图：
图1中文聚类分析
根据这一完整的流程，我们先在hadoop下实现聚类，共有七个源文件：
（1）WordFrequenceInDocument.java
提取中文、分词、去停用词、统计词频
（2）WordCountsInDocuments.java
统计每个网页的单词数目
（3）WordsInCorpusTFIDF.java
统计单词在多少个网页出现，计算TFIDF，建立词表
（4）DocumentVetorBuid.java
建立网页向量，随机选取K个网页作为中心点
（5）Kmeans.java
判断网页属于哪一类，更新中心点，最后输出网页所属中心标号
（6）KmeansDriver.java
控制Mapreduc的Job顺序，以及K-means迭代流程，设置参数
（7）DocTool.java
根据网页向量以及所有中心点向量输出网页所属的中心编号
在处理中文文本的过程中，三个主要的mapreduce过程如下：
表1WordFrequenceInDocument
表2WordCountsInDocuments
表3WordsInCorpusTFIDF
网页向量以及初始中心点的选取在Mapreduce中的过程为：
表4DocumentVectorBuild
DocTool简化了Kmeans过程中的代码，将计算网页向量与中心点向量之间的余弦距离，并根据最大的余弦距离判断网页属于哪一类的方法抽象出来，Kmeans的迭代过程中可以直接在调用，简化了Kmeans主类的代码复杂度。
Kmeans主类由两个Mapreduce组成，一个是在迭代过程中更新中心点，一个是生成最后的结果，这两个Mapreduce的Mapper和Reducer如下：
表5Kmeans聚类
2.5Spark实现
Spark平台中的实现不需要分别编写Map方法和Reduce方法，而是按照串行程序的正常逻辑顺序来编写。
具体实现过程如下：
（1）输入的文件使用Hadoop实现中预处理之后的文件，即样本文本特征向量集合，可以直接进行KMeans聚类的处理；
（2）随机生成k个（k=10）向量（维度和取值范围都与样本文本的特征向量一致）作为初始的k个中心；
（3）使用map操作将每个样本文本特征向量与其所属的类别映射到一起（需要调用方法来计算每个样本文本特征向量到每个中心的距离，返回最近的中心ID）；
（4）使用reduce操作按照映射到的中心ID来汇合，汇合的过程中，特征向量每个维度上数值都将累加，计数器也随之增长。
然后再使用map操作，计算平均值，即可得到新的k个中心；
（5）计算新的k个中心与旧的k个中心的距离和，若为0（或小于某一阈值）则停止迭代，输出聚类结果，程序结束，否则继续迭代，重复3、4、5。
代码见附录。
3实验结果统计
经统计，一共12142条样本文本，聚类到k=10类，其中分类是0~9的分别为542、2172、1652、2698、30、2386、303、506、976、877条。
Hadoop的结果：
图2Hadoop结果
Spark的结果：
图3Spark结果
4对两个平台上实现方法的对比
（1）Hadoop的各项时间的统计信息如下（单位ms）：
readingfilesandcreatingdicttime:
73441
generatingvectorstime:
7133
totaliteration:
10
firstitertime:
832246
averageitertime:
540034
totaltime:
5204791
（2）Spark的各项时间的统计信息如下（单位ms）：
readingfilestime:
321
8
30428
15000
120132
列表如下：
单位：
ms
读文件时间
迭代次数
首次迭代时间
平均迭代时间
总时间
Hadoop
73441
10
832246
540034
5204791
Spark
321
8
30428
15000
120132
表6Hadoop与Spark对比
不难看出Spark平台的效率和速度都要比Hadoop平台高出很多。
5收获与建议
通过本学期“网络大数据管理理论和应用”的学习，我了解到关于大数据、分布式平台、语义计算等比较前沿的知识。
比如在学习过程中，我了解到通过大数据分析处理用户行为模式，向用户推荐广告，然后通过销量的变化来判断广告推荐系统的好坏这样一种算法，对于这种算法我就比较感兴趣，所以通过课程的学习我拓展了自身的视野。
通过老师和助教的指导，我们还搭建了hadoop和spark平台，进行了基本的mapreduce编程，为以后深入学习打下了基础。
在学习过程中，我们还锻炼了做报告的能力，分享了自学的心得。
至于建议方面，我觉得做报告的环节，是否可以限定在相关领域的核心期刊或会议论文上，这样学术性会更好，更能锻炼大家的学习和报告能力。
附录
objectSparkKMeans{
//String转Vector
defparseVector（line:
String）:
Vector={
returnnewVector（line.split（'
'
）.map（_.toDouble））
}
//计算最近中心点
defclosestCenter（p:
Vector,centers:
Array[Vector]）:
Int={
varbestIndex=0
varbestDist=p.squaredDist（centers（0））//差平方之和
for（i<
-1untilcenters.length）{
valdist=p.squaredDist（centers（i））
if（dist<
bestDist）{
bestDist=dist
bestIndex=i
returnbestIndex
//主方法
defmain（args:
Array[String]）{
valsc=newSparkContext（"
local"
"
SparkKMeans"
）
System.out.println（"
readingfilesstart..."
valt1=System.currentTimeMillis（）
vallines=sc.textFile（"
/home/fabkxd/Documents/kmeans_data/inputfile.txt"
valpoints=lines.map（parseVector（_））.cache（）//文本中每行代表一个样本，转换为Vector
valt2=System.currentTimeMillis（）
readingfilesdone...\n"
valdimensions=5100//节点的维度
valk=10//聚类个数
initialcentersstart..."
//随机初始化k个中心节点
valrand=newRandom（42）
varcenters=newArray[Vector]（k）
-0untilk）
centers（i）=Vector（dimensions,_=>
rand.nextDouble）
initialcentersdone...\n"
kmeansiterationsstart..."
varfirst:
Long=0
valto1=System.currentTimeMillis（）
variter:
Int=1
varover:
for（i<
-1toiterations）{
if（over==1）{
\titeration"
+i+"
start..."
varti1=System.currentTimeMillis（）
//对每个点计算距离其最近的中心点
valmappedPoints=points.map{p=>
（closestCenter（p,centers）,（p,1））}
valnewCenters=mappedPoints.reduceByKey{
case（（sum1,count1）,（sum2,count2））=>
（sum1+sum2,count1+count2）//（向量相加,计数器相加）
}.map{
case（id,（sum,count））=>
（id,sum/count）//根据前面的聚类，用平均值算法重新计算中心节点的位置
}.collect
varcdist:
Double=0
//计算收敛距离并更新中心节点
for（（id,value）<
-newCenters）{
cdist+=value.squaredDist（centers（id））
centers（id）=value
\t\tdistance:
"
+cdist）
varti2=System.currentTimeMillis（）
if（first==0）
first=ti2-ti1
done..."
if（cdist<
0.3）{
mappedPoints.saveAsTextFile（"
output"
iter=i
over=0
valto2=System.currentTimeMillis（）
kmeansiterationsdone..."
+（t2-t1））
+iter）;
+first）;
+（to2-to1）/iter）;
+（to2-to1））;
}
升级会员 