Hadoop社区检测问题之相似用户问题

问题描述：

在twitter中，用户可以follow其他用户。此时，该用户为follower，而被关注的用户则是followee。该关系为单向关系，即 A follow B 的同时 B 不一定会 follow A。

我们需要找出与每个用户最相似的top K个用户，相似度用共同关注的用户数量来衡量。例如，A关注了C D F，而B关注了A C D，则AB的共同关注为C D， A与B之间的相似度为2。

数据集：

地址：https://www.dropbox.com/s/g1nthvj98iaikly/twitter_combined.txt.gz?dl=0

该数据集中的数据有两列，含义如下：

1 2 //表示用户2关注了用户1

1 3 //表示用户3关注了用户1

思路：

可以用hadoop的mapreduce来做，我们分为3个mapreduce。

第一个mapreduce：数据合并

用来把数据合并，如

1 2

1 3

变成

1 2 3

表示用户2和用户3关注了用户1。也就是说，key为followee，value为followers。

所以实际的思路很简单，map阶段output （1，2）（1，3）

reduce会收到（1，{2，3}），把{2，3}变成text传入value即可。

第二个mapreduce：计算相似度

用来计算不同用户之间的相似度。我们知道，对于同一个followee的不同followers，他们彼此都有共同的followee，所以相似度+1.

所以map阶段，我们对这些followers做笛卡尔积，将笛卡尔积的结果作为key，value赋1，例如

1 2 3 4

则变成(”2 3”, 1)，(”2 4”, 1)，(”3 2”, 1)，(”3 4”, 1)，(”4 2”, 1)，(”4 3”，1)。注意要去掉”2 2”，“3 3”，“4 4”这种无效数据。

如果用户2和用户3同时关注了3个用户，则reduce会收到（”2 3”, {1,1,1}）累加则可得到相似度3，作为reduce的outputvalue

第三个mapreduce：排序top K

用来计算每个用户的最相似的K个用户。上一个mapreduce之后，我们得到了每对用户的相似度，则这次只需要按相似度进行排序，并输出前K个即可。

map阶段，key为用户A，value为用户B+用户AB的相似度，则reduce会得到和用户A有共同关注的所有用户及其相似度。降序排序并将value设置为前K个相似用户的text即可。

代码：

考虑到作业查重问题，我将稍晚上传代码和运行结果。