Mahout文本向量化

        在文本聚类之前，首先要做的是文本的向量化。该过程涉及到分词，特征抽取，权重计算等等。Mahout 提供了文本向量化工具。由于Mahout 向量化算法要处理的文件是Hadoop SequenceFile ，需要将普通的文本文件转成SequenceFile格式，然后在向量化。

一、序列化

API

SequenceFilesFromDirectory.main(args);
--input (-i)	文件存放路径
-output (-o)	输出文件路径
--overwrite (-ow)	是否清空输出目录
--charset (-c)	默认UTF-8

示例

String   [] arg ={"-i","forclusters","-o","se","-ow"}; SequenceFilesFromDirectory.main(arg);

 

二、向量化

API

SparseVectorsFromSequenceFiles.main(args);
--minSupport (-s)	词的最小支持度
--analyzerName (-a)	Lucene分词器类权限命名
--chunkSize (-chunk)	块大小
--output (-o)	输出目录
--input (-i)	输入目录
--minDF (-md)	文档的最小DF值
--maxDFPercent (-x)	最大DF频率
--weight (-wt)	权重，TFIDF,或TF
--minLLR (-ml) (Optional)	最小log-Likelihood
--numReducers (-nr)	reduce个数
--maxNGramSize (-ng)	最大n-gram数
--overwrite (-ow)	是否覆盖outPut下的文件
--sequentialAccessVector(-seq)        (Optional)	是否输出为sequentialAccessVector
--namedVector(-nv)                (Optional)	是否输出为namedVector
--logNormalize(-lnorm)                (Optional)	输出结果向量取log
--stopWordsFile (-sw)	停用词词典文件路径

                   

示例   

String  [] args ={"-i",”/seq”,                                    "-o",”/vec”                                    "-a","org.apache.lucene.analysis.cn.smart                         .SmartChineseAnalyzer",                                    "-md",4),                                    "-ow","-ng",4),                                    "-wt",”TFIDF”,                                    "-nr",4),                                    "-sw",”/stopwprds.txt”                      };                      SparseVectorsFromSequenceFiles.main(args);

输出结果

名称	Key类型	Value类型	说明
tokenized-documents	文档名(org.apache.hadoop.io.Text)	词数组(org.apache.mahout. common.StringTuple)	分词后的的文本，每条记录代表一篇文档
dictionary.file-0	单词(org.apache.hadoop.io.Text)	单词id (org.apache.hadoop. io.IntWritable)	文本集的特征词词典
wordcount	单词(org.apache.hadoop.io.Text)	词频 (org.apache.hadoop. io.LongWritable)	特征词词频统计
tf-vectors	文档名(org.apache.hadoop.io.Text)	文档的tf向量(org.apache.mahout. math.VectorWritable)	每篇文档的Tf向量
df-count	单词id (org.apache.hadoop.io.IntWritable)	单词的文档频率(org.apache. hadoop.io.LongWritable)	每个单词的文档频率，即包含这个单词的文档个数
frequency.file-0	单词id (org.apache.hadoop.io.IntWritable)	单词的文档频率(org.apache. hadoop.io.LongWritable)	仍是文档频率，只是对df-count中的文件进行分块
tfidf-vectors	文档名(org.apache.hadoop.io.Text)	文档的tfidf向量(org.apache.mahout.math.VectorWritable)	每篇文档的Tfidf向量