1,将数据转化为SequenceFile
hadoop fs -put input input_text
mahout seqdirectory -i input_text -o input_seq -c UTF8 -chunk 5
2,数据向量化
mahout seq2sparse -i input_seq -o input_vec --maxDFPercent 85 --namedVector
3,执行K-means聚类
mahout kmeans \
-i input_vec/tfidf-vectors/ \
-c output_clusterPoint \
-o output_kmeans \
-dm org.apache.mahout.common.distance.CosineDistanceMeasure
-x 10 -k 20 -ow --clustering
4,导出结果
mahout clusterdump \
-i output_kmeans/clusters-*-final \
-o clusterdump
-d input_vec/dictionary.file-0 \
-dt sequencefile -b 100 -n 20 --evaluete -dm org.apache.mahout.common.distance.CosineDistanceMeasure -sp 0