在scala中计算余弦相似性

pinkon5k 于 2021-07-13 发布在 Spark

关注(0)|答案(1)|浏览(460)

我有一个包含userid，movieid，tags的文件（tags.csv），我想用一个基于域的方法来计算标签之间的余弦相似性。我只想显示喜剧的相关标签，并度量与喜剧标签相关的每个标签的相似性。
数据集

我的代码是：

val rows = sc.textFile("/usr/local/comedy")
val vecData = rows.map(line => Vectors.dense(line.split(", ").map(_.toDouble)))
val mat = new RowMatrix(vecData)
val exact = mat.columnSimilarities()
val approx = mat.columnSimilarities(0.07)
val exactEntries = exact.entries.map { case MatrixEntry(i, j, u) => ((i, j), u) }
val approxEntries = approx.entries.map { case MatrixEntry(i, j, v) => ((i, j), v) }
val MAE = exactEntries.leftOuterJoin(approxEntries).values.map {
  case (u, Some(v)) =>
    math.abs(u - v)
  case (u, None) =>
    math.abs(u)
}.mean()

但出现以下错误：

java.lang.NumberFormatException: For input string: "[1,898,"black comedy"]"
    at sun.misc.FloatingDecimal.readJavaFormatString(FloatingDecimal.java:2043)
    at sun.misc.FloatingDecimal.parseDouble(FloatingDecimal.java:110)
    at java.lang.Double.parseDouble(Double.java:538)

怎么了？

scala apache-spark recommender-systems cosine-similarity

来源：https://stackoverflow.com/questions/66232636/calculate-cosine-similarity-in-scala

1条答案

按热度按时间

ix0qys7i1#

错误消息中充满了相关信息。

NumberFormatException: For input string: "[1,898,"black comedy"]"

看起来像是输入 String 没有被拆分为单独的列数据。所以呢 .split(", ") 不做它的工作，很容易理解为什么，没有逗号空间序列分割。
我们可以去掉空格，只在逗号处分开，但仍然会留下一个非数字 [ 在第1列数据和第3列数据中根本没有数字字符。
有几种不同的方法来解决这个问题。我很想使用正则表达式解析器。

val twoNums = "(\\d+),(\\d+),".r.unanchored
val vecData = rows.collect{ case twoNums(a, b) =>
                Vectors.dense(Array(a.toDouble, b.toDouble))
              }

赞(0）回复(0）举报 2021-07-13

我来回答

在scala中计算余弦相似性

1条答案

相关问题

热门标签

最新问答