spark java文本相似度_spark mllib 中的tf-idf算法计算文档相似度

该博客演示了如何使用Spark MLlib库中的HashingTF和IDF算法来计算文本的TF-IDF表示,并进一步计算文档之间的余弦相似度。通过加载文本文件,将每行作为文档,利用Spark并行处理能力进行计算,最终输出不同文档对的相似度得分。
摘要由CSDN通过智能技术生成

import org.apache.spark.mllib.feature.{HashingTF, IDF}

import org.apache.spark.mllib.linalg.{SparseVector => SV}

import org.apache.spark.{SparkConf, SparkContext}

import scala.io.Source

/**

* Created by xiaojun on 2015/10/19.

*/

object TFIDFDemo {

def main(args: Array[String]) {

val conf = new SparkConf().setAppName("TfIdfTest").setMaster("local")

val sc = new SparkContext(conf)

// Load documents (one per line).要求每行作为一个document,这里zipWithIndex将每一行的行号作为doc id

val documents = sc.parallelize(Source.fromFile("CHANGELOG").getLines().filter(_.trim.length > 0).toSeq).map(_.split(" ").toSeq).zipWithIndex()

val hashingTF = new HashingTF(Math.pow(2, 18).toInt)

//这里将每一行的行号作为doc id,每一行的分词结果生成tf词频向量

val tf_num_pairs = documents.map {

<
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值