リードコード-MinHashDriverおよび関連
6259 ワード
使用:汎用クラスcounterハッシュ実装
package org.apache.mahout.clustering.minhash;
public final class MinHashDriver extends AbstractJob
Sequence形式の入力
出力はdebugモードのオプションベクトルとテキストフォーマットに従って、ファイルはSequenceとTextフォーマットすることができます
package org.apache.mahout.clustering.minhash;
public class MinHashMapper extends Mapper
setup関数で
タイプと数に基づいてhash関数グループを生成する
map関数
ハッシュ関数ごとに
関数をitemの各featureに適用し、feature値を4バイトに変換し、最小のハッシュ値をとる
クラスタリングidの組合せと配布
keyGroup制御idの構成セグメント数
形式はXXX-XXX-XXX形式
各itemはハッシュ関数ごとに1回配布されます
package org.apache.mahout.clustering.minhash;
public class MinHashReducer extends Reducer
reduce関数
Debugタイプに応じて異なるタイプを解析
counterはenumタイプのパラメータを使用します
最小クラスタ数未満の数の廃棄
package org.apache.mahout.clustering.minhash;
public final class HashFactory
ハッシュの実装
3つのハッシュ・タイプ
双晶素数、差が2の2つの数が素数の場合
整数範囲内の最大双晶素数の小さい値
RandomUtils.MAX_INT_SMALLER_TWIN_PRIME = 2147482949
ハッシュは素数で型を取る衝突が小さい
線形ハッシュ
多項式ハッシュ
MurMurハッシュ
package org.apache.mahout.clustering.minhash;
public final class MinHashDriver extends AbstractJob
Sequence形式の入力
出力はdebugモードのオプションベクトルとテキストフォーマットに従って、ファイルはSequenceとTextフォーマットすることができます
Class<? extends Writable> outputClass =
debugOutput ? VectorWritable.class : Text.class;
Class<? extends OutputFormat> outputFormatClass =
debugOutput ? SequenceFileOutputFormat.class : TextOutputFormat.class;
job.setMapperClass(MinHashMapper.class);
job.setReducerClass(MinHashReducer.class);
job.setInputFormatClass(SequenceFileInputFormat.class);
job.setOutputFormatClass(outputFormatClass);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(outputClass);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(outputClass);
package org.apache.mahout.clustering.minhash;
public class MinHashMapper extends Mapper
setup関数で
タイプと数に基づいてhash関数グループを生成する
hashFunction = HashFactory.createHashFunctions(hashType, numHashFunctions);
map関数
ハッシュ関数ごとに
関数をitemの各featureに適用し、feature値を4バイトに変換し、最小のハッシュ値をとる
for (int i = 0; i < numHashFunctions; i++) {
for (Vector.Element ele : featureVector) {
int value = (int) ele.get();
bytesToHash[0] = (byte) (value >> 24);
bytesToHash[1] = (byte) (value >> 16);
bytesToHash[2] = (byte) (value >> 8);
bytesToHash[3] = (byte) value;
int hashIndex = hashFunction[i].hash(bytesToHash);
if (minHashValues[i] > hashIndex) {
minHashValues[i] = hashIndex;
}
}
}
クラスタリングidの組合せと配布
keyGroup制御idの構成セグメント数
形式はXXX-XXX-XXX形式
各itemはハッシュ関数ごとに1回配布されます
for (int i = 0; i < numHashFunctions; i++) {
StringBuilder clusterIdBuilder = new StringBuilder();
for (int j = 0; j < keyGroups; j++) {
clusterIdBuilder.append(minHashValues[(i + j) % numHashFunctions]).append('-');
}
String clusterId = clusterIdBuilder.toString();
clusterId = clusterId.substring(0, clusterId.lastIndexOf('-'));
Text cluster = new Text(clusterId);
Writable point;
if (debugOutput) {
point = new VectorWritable(featureVector.clone());
} else {
point = new Text(item.toString());
}
context.write(cluster, point);
}
package org.apache.mahout.clustering.minhash;
public class MinHashReducer extends Reducer
reduce関数
Debugタイプに応じて異なるタイプを解析
Collection<Writable> pointList = new ArrayList<Writable>();
for (Writable point : points) {
if (debugOutput) {
Vector pointVector = ((VectorWritable) point).get().clone();
Writable writablePointVector = new VectorWritable(pointVector);
pointList.add(writablePointVector);
} else {
Writable pointText = new Text(point.toString());
pointList.add(pointText);
}
}
counterはenumタイプのパラメータを使用します
最小クラスタ数未満の数の廃棄
if (pointList.size() >= minClusterSize) {
context.getCounter(Clusters.ACCEPTED).increment(1);
for (Writable point : pointList) {
context.write(cluster, point);
}
} else {
context.getCounter(Clusters.DISCARDED).increment(1);
}
package org.apache.mahout.clustering.minhash;
public final class HashFactory
ハッシュの実装
3つのハッシュ・タイプ
public enum HashType {
LINEAR, POLYNOMIAL, MURMUR
}
双晶素数、差が2の2つの数が素数の場合
整数範囲内の最大双晶素数の小さい値
RandomUtils.MAX_INT_SMALLER_TWIN_PRIME = 2147482949
ハッシュは素数で型を取る衝突が小さい
線形ハッシュ
static class LinearHash implements HashFunction {
private final int seedA;
private final int seedB;
LinearHash(int seedA, int seedB) {
this.seedA = seedA;
this.seedB = seedB;
}
@Override
public int hash(byte[] bytes) {
long hashValue = 31;
for (long byteVal : bytes) {
hashValue *= seedA * byteVal;
hashValue += seedB;
}
return Math.abs((int) (hashValue % RandomUtils.MAX_INT_SMALLER_TWIN_PRIME));
}
}
多項式ハッシュ
static class PolynomialHash implements HashFunction {
private final int seedA;
private final int seedB;
private final int seedC;
PolynomialHash(int seedA, int seedB, int seedC) {
this.seedA = seedA;
this.seedB = seedB;
this.seedC = seedC;
}
@Override
public int hash(byte[] bytes) {
long hashValue = 31;
for (long byteVal : bytes) {
hashValue *= seedA * (byteVal >> 4);
hashValue += seedB * byteVal + seedC;
}
return Math
.abs((int) (hashValue % RandomUtils.MAX_INT_SMALLER_TWIN_PRIME));
}
}
MurMurハッシュ
static class MurmurHashWrapper implements HashFunction {
private final int seed;
MurmurHashWrapper(int seed) {
this.seed = seed;
}
@Override
public int hash(byte[] bytes) {
long hashValue = MurmurHash.hash64A(bytes, seed);
return Math.abs((int) (hashValue % RandomUtils.MAX_INT_SMALLER_TWIN_PRIME));
}
}