MapReduce实现大矩阵乘法

引言

何为大矩阵？Excel、SPSS，甚至SAS处理不了或者处理起来非常困难，需要设计巧妙的分布式方法才能高效解决基本运算（如转置、加法、乘法、求逆）的矩阵，我们认为其可被称为大矩阵。这意味着此种矩阵的维度至少是百万级的、经常是千万级的、有时是亿万级的。举个形象的栗子。至2012年12月底，新浪微博注册用户数超5亿，日活跃用户4629万[1]，如果我们要探索这4000多万用户可以分成哪些类别，以便深入了解用户共同特征，制定精准营销策略，势必要用到聚类相关的算法（比如新浪大牛张俊林就利用聚类算法来挖掘新浪微博中的兴趣圈子[2]），而聚类算法都需要构造用户两两之间的关系，形成n*n的矩阵，称为相似度矩阵。新浪微博这个例子中，这个矩阵的维度是4000万*4000万。

大矩阵乘法为何重要？这个时代（我就不说那个被媒体用烂了的恶心词汇了），在海量数据中淘金，已是各大互联网公司的既定目标，亚马逊是数据化运营的成功典范，Google、百度投巨资用于对海量数据进行深度学习（Deep Learning）研究，阿里把数据与平台、金融并列成为未来三大战略。话扯得有点大而远，但任何伟大的战略，最终都要落地到非常细粒度的具体操作上。我们想在海量数据中淘到金子，强大的挖掘工具是必不可少的，而诸如回归、聚类、主成分分析、决策树等数据挖掘算法常常涉及大规模矩阵运算。这其中，大矩阵乘法具有较大的时间消耗，是算法的瓶颈。张俊林的文章[2]用到了谱聚类算法，其中有个重要步骤是将相似度矩阵转换为拉普拉斯矩阵，这就需要用到大矩阵乘法。很酷有没有！大矩阵乘法运算可以从根基上影响数据战略的实施，它比那些大而空的废话重要千百万倍。

我们将使用MapReduce来分布式计算大矩阵乘法。伟大导师黑格尔告诉我们，量变导致质变。当所操作的矩阵维度达到百万、千万级时，会产生亟待攻克的新问题：

• 大矩阵如何存储？
• 计算模型如何设计？
• 矩阵维度如何传递给乘法运算？

第3个问题看似与矩阵的“大”无关，但实际上，当矩阵规模巨大时，我们就不太可能像对待小规模矩阵一样将整个矩阵读入内存、从而在一个job中就判断出其维度，而是需要分开成为两个job，第一个job专注于计算矩阵维度并存入全局变量，传递给第二个job做乘法运算。MapReduce中全局变量的传递，可以专门写一篇长文来讨论，本文中我们假定矩阵维度已知，并在代码中写死，从而先着眼于解决前两个问题。

数据准备

为了方便说明，举两个矩阵作为示例：

，

容易看出，是一个矩阵，是一个矩阵，我们能够算出：

这三个矩阵当然不大，但作为示例，它们将暂时享受大矩阵的待遇。

存储方式

理论上，在一个文件中存储4000万*4000万的矩阵当然是可以的，但非常失之优雅，因为这意味着在一条记录中挤下4000万个变量的值。

我们注意到，根据海量数据构造的矩阵，往往是极其稀疏的。比如4000万*4000万的相似度矩阵，一般来说，如果平均每个用户和1万个用户具有大于零的相似度，常识告诉我们，这样的关系网络已经非常密集了（实际网络不会这样密集，看看自己的微博，被你关注的、评论过的、转发过的对象，会达到1万个吗？）；但对于4000万维度的矩阵，它却依然是极度稀疏的。

因此，我们可以采用稀疏矩阵的存储方式，只存储那些非零的数值。具体而言，存储矩阵的文件每一条记录的结构如下：

其中，第一个字段为行标签，第二个字段为列标签，第三个字段值为。

比如矩阵在HDFS中存储为

1     1     1
1     2     2
1     3     3
2     1     4
2     2     5
3     1     7
3     2     8
3     3     9
4     1     10
4     2     11
4     3     12

矩阵存储为

1     1     10
1     2     15
2     2     2
3     1     11
3     2     9

注意到，，这样的值不会在文件中存储。

计算模型

回顾一下矩阵乘法。

设，，那么

矩阵乘法要求左矩阵的列数与右矩阵的行数相等，的矩阵，与的矩阵相乘，结果为的矩阵。

现在我们来分析一下，哪些操作是相互独立的（从而可以进行分布式计算）。很显然，的计算和的计算是互不干扰的；事实上，中各个元素的计算都是相互独立的。这样，我们在Map阶段，可以把计算所需要的元素都集中到同一个key中，然后，在Reduce阶段就可以从中解析出各个元素来计算；的其他元素的计算同理。

我们还需要注意，会被、……的计算所使用，会被、……的计算所使用。也就是说，在Map阶段，当我们从HDFS取出一行记录时，如果该记录是的元素，则需要存储成个<key, value>对，并且这个key互不相同；如果该记录是的元素，则需要存储成个<key, value>对，同样的，个key也应互不相同；但同时，用于计算的、存放、……和、……的<key, value>对的key应该都是相同的，这样才能被传递到同一个Reduce中。

经过以上分析，整个计算过程设计为：

（1）在Map阶段，把来自表的元素，标识成条<key, value>的形式。其中，；把来自表的元素，标识成条<key, value>形式，其中，。

于是乎，在Map阶段，我们实现了这样的战术目的：通过key，我们把参与计算的数据归为一类。通过value，我们能区分元素是来自还是，以及具体的位置。

（2）在Shuffle阶段，相同key的value会被加入到同一个列表中，形成<key, list(value)>对，传递给Reduce，这个由Hadoop自动完成。

（3）在Reduce阶段，有两个问题需要自己问问：

• 当前的<key, list(value)>对是为了计算的哪个元素？
• list中的每个value是来自表或表的哪个位置？

第一个问题可以从key中获知，因为我们在Map阶段已经将key构造为形式。第二个问题，也可以在value中直接读出，因为我们也在Map阶段做了标志。

接下来我们所要做的，就是把list(value)解析出来，来自的元素，单独放在一个数组中，来自的元素，放在另一个数组中，然后，我们计算两个数组（各自看成一个向量）的点积，即可算出的值。

示例矩阵和相乘的计算过程如下图所示：

代码

主要代码如下：

[java]  view plain  copy

 print ?

1. import java.io.IOException;  
2. import java.util.HashMap;  
3. import java.util.Iterator;  
4. import java.util.StringTokenizer;  
5.   
6. import org.apache.hadoop.fs.FileSystem;  
7. import org.apache.hadoop.io.LongWritable;  
8. import org.apache.hadoop.io.Text;  
9. import org.apache.hadoop.io.Writable;  
10. import org.apache.hadoop.io.WritableComparable;  
11. import org.apache.hadoop.mapred.FileSplit;  
12. import org.apache.hadoop.mapred.JobConf;  
13. import org.apache.hadoop.mapred.MapReduceBase;  
14. import org.apache.hadoop.mapred.Mapper;  
15. import org.apache.hadoop.mapred.OutputCollector;  
16. import org.apache.hadoop.mapred.RecordWriter;  
17. import org.apache.hadoop.mapred.Reducer;  
18. import org.apache.hadoop.mapred.Reporter;  
19. import org.apache.hadoop.mapred.TextOutputFormat;  
20. import org.apache.hadoop.mapred.lib.MultipleOutputFormat;  
21. import org.apache.hadoop.util.Progressable;  
22.   
23. public class Bigmmult {  
24.      public static final String CONTROL_I = "\u0009";  
25.      public static final int MATRIX_I = 4;  
26.      public static final int MATRIX_J = 3;  
27.      public static final int MATRIX_K = 2;  
28.       
29.      public static String makeKey(String[] tokens, String separator) {  
30.           StringBuffer sb = new StringBuffer();  
31.           boolean isFirst = true;  
32.           for (String token : tokens) {  
33.                if (isFirst)  
34.                     isFirst = false;  
35.                else  
36.                     sb.append(separator);  
37.                sb.append(token);  
38.           }  
39.           return sb.toString();  
40.      }  
41.       
42.      public static class MapClass extends MapReduceBase implements  
43.                Mapper<LongWritable, Text, Text, Text> {           
44.           public static HashMap<String , Double> features = new HashMap<String, Double>();  
45.            
46.           public void configure(JobConf job) {  
47.                super.configure(job);  
48.           }  
49.            
50.           public void map(LongWritable key, Text value, OutputCollector<Text, Text> output,  
51.                     Reporter reporter) throws IOException, ClassCastException {  
52.                // 获取输入文件的全路径和名称  
53.                String pathName = ((FileSplit)reporter.getInputSplit()).getPath().toString();  
54.                 
55.                if (pathName.contains("m_ys_lab_bigmmult_a")) {           
56.                     String line = value.toString();  
57.                      
58.                     if (line == null || line.equals("")) return;  
59.                     String[] values = line.split(CONTROL_I);  
60.                      
61.                     if (values.length < 3) return;  
62.                      
63.                     String rowindex = values[0];  
64.                     String colindex = values[1];  
65.                     String elevalue = values[2];  
66.                      
67.                     for (int i = 1; i <= MATRIX_K; i ++) {  
68.                          output.collect(new Text(rowindex + CONTROL_I + i), new Text("a#"+colindex+"#"+elevalue));  
69.                     }  
70.                }  
71.                 
72.                if (pathName.contains("m_ys_lab_bigmmult_b")) {                
73.                     String line = value.toString();  
74.                     if (line == null || line.equals("")) return;  
75.                     String[] values = line.split(CONTROL_I);  
76.                      
77.                     if (values.length < 3) return;  
78.                      
79.                     String rowindex = values[0];  
80.                     String colindex = values[1];  
81.                     String elevalue = values[2];  
82.                      
83.                     for (int i = 1; i <= MATRIX_I; i ++) {  
84.                          output.collect(new Text(i + CONTROL_I + colindex), new Text("b#"+rowindex+"#"+elevalue));  
85.                     }  
86.                }  
87.           }  
88.      }  
89.   
90.      public static class Reduce extends MapReduceBase  
91.                implements Reducer<Text, Text, Text, Text> {  
92.           public void reduce(Text key, Iterator<Text> values,  
93.                     OutputCollector<Text, Text> output, Reporter reporter)  
94.                     throws IOException {  
95.                 
96.                int[] valA = new int[MATRIX_J];  
97.                int[] valB = new int[MATRIX_J];  
98.                 
99.                int i;  
100.                for (i = 0; i < MATRIX_J; i ++) {  
101.                     valA[i] = 0;  
102.                     valB[i] = 0;  
103.                }  
104.                 
105.                while (values.hasNext()) {  
106.                     String value = values.next().toString();  
107.                     if (value.startsWith("a#")) {  
108.                          StringTokenizer token = new StringTokenizer(value, "#");  
109.                          String[] temp = new String[3];  
110.                          int k = 0;  
111.                          while(token.hasMoreTokens()) {  
112.                               temp[k] = token.nextToken();  
113.                               k++;  
114.                          }  
115.                           
116.                          valA[Integer.parseInt(temp[1])-1] = Integer.parseInt(temp[2]);  
117.                     } else if (value.startsWith("b#")) {  
118.                          StringTokenizer token = new StringTokenizer(value, "#");  
119.                          String[] temp = new String[3];  
120.                          int k = 0;  
121.                          while(token.hasMoreTokens()) {  
122.                               temp[k] = token.nextToken();  
123.                               k++;  
124.                          }  
125.                           
126.                          valB[Integer.parseInt(temp[1])-1] = Integer.parseInt(temp[2]);  
127.                     }  
128.                }  
129.                 
130.                int result = 0;  
131.                for (i = 0; i < MATRIX_J; i ++) {  
132.                     result += valA[i] * valB[i];  
133.                }  
134.                 
135.                output.collect(key, new Text(Integer.toString(result)));  
136.           }  
137.      }  
138. }  

上帝惊叹细节。