mahout vector 的产生方式

来源：互联网发布：美的人工智能研究院编辑：程序博客网时间：2024/05/16 23:56

根据wiki

mahout 产生 vector 的方式有2种：

#1 from lucene index to vector

Java代码  
$MAHOUT_HOME/bin/mahout lucene.vector <PATH TO DIRECTORY CONTAINING LUCENE INDEX> \  
   --output <PATH TO OUTPUT LOCATION> --field <NAME OF FIELD IN INDEX> --dictOut <PATH TO FILE TO OUTPUT THE DICTIONARY TO] \  
   <--max <Number of vectors to output>> <--norm {INF|integer >= 0}> <--idField <Name of the idField in the Lucene index>>  

#2 from sequencefile to vector

Java代码  
$MAHOUT_HOME/bin/mahout seq2sparse \  
-i <PATH TO THE SEQUENCEFILES> -o <OUTPUT DIRECTORY WHERE VECTORS AND DICTIONARY IS GENERATED> \  
<-wt <WEIGHTING METHOD USED> {tf|tfidf}> \  
<-chunk <MAX SIZE OF DICTIONARY CHUNK IN MB TO KEEP IN MEMORY> 100> \  
<-a <NAME OF THE LUCENE ANALYZER TO TOKENIZE THE DOCUMENT> org.apache.lucene.analysis.standard.StandardAnalyzer> \  
<--minSupport <MINIMUM SUPPORT> 2> \  
<--minDF <MINIMUM DOCUMENT FREQUENCY> 1> \  
<--maxDFPercent <MAX PERCENTAGE OF DOCS FOR DF. VALUE BETWEEN 0-100> 99> \  
<--norm <REFER TO L_2 NORM ABOVE>{INF|integer >= 0}>"  
<-seq <Create SequentialAccessVectors>{false|true required for running some algorithms(LDA,Lanczos)}>"  

结果发现第二种也是要借助lucene的分词，也有设置“MAX SIZE OF DICTIONARY CHUNK IN MB TO KEEP IN MEMORY”，这个也是lucene里面设置的参数。

阿哈，那这样看来，无论哪种vector的生成方式，其实原理都是一样的，用lucene的index文件做文章，只不过第二种方式少了lucene index -> vector 的方式。

0 0