NLP_LCS

LCS 作用:

• 求两个序列中最长的公共子序列算法
– 生物学家常利用该算法进行基金序列比对，以推测序列的结构、功能和演化过程。
• 描述两段文字之间的“相似度”
– 辨别抄袭，对一段文字进行修改之后，计算改动前后文字的最长公共子序列，将除此子序列
外的部分提取出来，该方法判断修改的部分

LCS 解决方法:

属于动态规划问题
• 使用二维数组C[m,n]
• C[i,j]记录序列Xi和Yj的最长公共子序列的长度
– 当i=0或j=0时C[i,j]=0

---

LCS action on MapReduce

shell script

HADOOP_CMD="/usr/local/src/hadoop-1.2.1/bin/hadoop"STREAM_JAR_PATH="/usr/local/src/hadoop-1.2.1/contrib/streaming/hadoop-streaming-1.2.1.jar"INPUT_FILE_PATH_1="/lcs_input.data"OUTPUT_PATH="/lcs_output"#$HADOOP_CMD fs -rmr -skipTrash $OUTPUT_PATH# Step 1.$HADOOP_CMD jar $STREAM_JAR_PATH \    -input $INPUT_FILE_PATH_1 \    -output $OUTPUT_PATH \    -mapper "python map.py" \    -jobconf "mapred.reduce.tasks=0" \    -jobconf "mapred.job.name=mr_lcs" \    -file ./map.py

map.py

# -*- coding: utf-8 -*-#!/usr/bin/pythonimport sysdef cal_lcs_sim(first_str, second_str):    len_vv = [[0] * 50] * 50    first_str = unicode(first_str, "utf-8", errors='ignore')    second_str = unicode(second_str, "utf-8", errors='ignore')    len_1 = len(first_str.strip())    len_2 = len(second_str.strip())    #for a in first_str:        #word = a.encode('utf-8')    for i in range(1, len_1 + 1):        for j in range(1, len_2 + 1):            if first_str[i - 1] == second_str[j - 1]:                len_vv[i][j] = 1 + len_vv[i - 1][j - 1]            else:                len_vv[i][j] = max(len_vv[i - 1][j], len_vv[i][j - 1])    return float(float(len_vv[len_1][len_2] * 2) / float(len_1 + len_2))for line in sys.stdin:    ss = line.strip().split('\t')    if len(ss) != 2:        continue    first_str = ss[0].strip()    second_str = ss[1].strip()    sim_score = cal_lcs_sim(first_str, second_str)    print '\t'.join([first_str, second_str, str(sim_score)])

---

Process Screenshot

---

note

debug时，看log看以.log结尾的文件就行，这就是最新的log，结尾带时间的是以前的log。