Month: October 2012

mahout版本：0.7 (mahout的安装请参考：https://cwiki.apache.org/MAHOUT/buildingmahout.html)

hadoop版本：1.0.3

lucene版本：3.6.0（+paoding1.0无法通过maven直接导入依赖，需要单独加到classpath）

 

mahout标准的分类demo展示了如何对英文文本内容分类，并且使用的是mahout的命令行脚本。下面主要是介绍使用mahout的api来完成同样的事，并且是中文。

 

标准的mahout文本分类分为以下几步：

1. sequencing：将训练样本从简单的文本转换为hadoop标准的sequence格式
2. vectorize: 向量化，将sequence格式的样本转换为向量形式。如“钓鱼岛是中国的”，先转换为分词后的序列“钓鱼，钓鱼岛，岛，中国”，然后给每个词一个index，最终转换为”1212:1，232:1, 16:1，789:1″这样的向量
3. split: 样本分为训练集和测试集
4. train: 根据训练集训练出模型
5. test: 使用测试集测试模型并获得模型的准确率和confusionmatrix
6. classify: 使用模型对新样本进行分类

下面分别介绍每个步骤：

 

sequencing

 

java代码：

args = new String[] { “-i”, sampleDir, “-o”, sequenceDir };

SequenceFilesFromDirectory sequenceJob = new SequenceFilesFromDirectory();

sequenceJob.setConf(getConf());

sequenceJob.run(args);

 

sampleDir是样本文件，组织结构是每个类一个子文件夹，文件夹内是对应的一个个样本文件。

执行后会在sequenceDir目录下看到一个chunk-0的文件，可以通过mahout的SequenceFileDumper转换为文本，转换后可以看到内容是这样：

 

Input Path: file:/Users/derekzhangv/Develop/temptest/testTopic/testTopic-seq/chunk-0

Key class: class org.apache.hadoop.io.Text Value Class: class org.apache.hadoop.io.Text

 

Key: /good/51057: Value: 浪潮之巅

 

Key: /good/55107: Value: 电动车

 

Key: /bad/85364: Value: 婴儿用品

 

Count: 3

 

(技巧：如果需要在命令行里方便地查看可以设置一个alias：“alias seqdump=’/Users/derekzhangv/Develop/mahout-0.7/bin/mahout seqdumper -i `pwd`/$1 | more’ ”）

 

vectorize

 

java代码：

args = new String[] { “-i”, sequenceDir, “-o”, vectorDir, “-lnorm”,

“-nv”, “-wt”, “tfidf”, “-s”, “2”// minSuport, default 2 , “-a”, “net.paoding.analysis.analyzer.PaodingAnalyzer” };

SparseVectorsFromSequenceFiles vectorizeJob = new SparseVectorsFromSequenceFiles();

vectorizeJob.setConf(getConf());

vectorizeJob.run(args);

 

参数：-i/-o是指定输入/输出的目录，-lnorm指定使用对数来normalize向量，-nv指定向量需要命名，-wt指定权重计算方法tf或者tfidf，-s指定最小支持数量（即只考虑出现指定次数或者以上的词），-a指定analyzer分词方法，这里只需要指定一个中文分词analyzer既可，这里是PaodingAnalyzer。

 

执行后会在[vectorDir]下产生如下文件：

df-count

dictionary.file-0

frequency.file-0

tf-vectors

tfidf-vectors

tokeninzed-documents

wordcount

可以用vectorDumper看看里面的内容。这里就不赘述了。

 

split

 

java代码：

args = new String[] { “-i”, tfidfVectorDir, “–trainingOutput”,trainVectorDir, “–testOutput”, testVectorDir,”–randomSelectionPct”, “40”, “–overwrite”, “–sequenceFiles”,

     “-xm”, “sequential” };

SplitInput splitJob = new SplitInput();

splitJob.setConf(getConf());

splitJob.run(args);

 

参数：–trainingOutput和–testOutput分别指定训练和测试样本的输出路径，–randomSelectionPct指定比例,–sequenceFiles说明输入文件格式为sequence，-xm执行方式，默认是map reduce，这里指定sequential

执行后会产生对应的两个文件夹，里面是part-r-00000文件，可以通过sequencedumper查看。

 

train

 

java代码：

args = new String[] { “-i”, trainVectorDir, “-o”, modelDir, “-li”,labelIndexDir, “-el”, “-ow” };

TrainNaiveBayesJob trainJob = new TrainNaiveBayesJob();

trainJob.setConf(getConf());

trainJob.run(args);

 

参数：-o指定模型输出路径，-li指定labelindex文件的路径，这个文件是在vectorize时候产生的。-el指明label是从样本中提取，-ow指明可以覆盖文件。

执行后会在[modelDir]下看到naiveBayesModel.bin文件，就是训练出来的结果了。

 

test

 

java代码：

args = new String[] { “-i”, testVectorDir, “-m”, modelDir, “-l”,

labelIndexDir, “-ow”, “-o”, testingDir };

TestNaiveBayesDriver testJob = new TestNaiveBayesDriver();

testJob.setConf(getConf());

testJob.run(args);

 

参数：-i指定测试样本vector的路径，-m模型所在路径，-l是label索引路径，-ow指明覆盖原来的输出，-o输出路径

输出的文件可以通过sequencedumper查看。

 

classify

 

java代码：（有点dirty）

Configuration conf = new Configuration();

AbstractNaiveBayesClassifier classifier = loadClassifier(topicId, conf);

Vector instance = buildInstance(topicId,text);

Vector r = classifier.classifyFull(instance);

Path labelIndexPath = new Path(this.tempDir + “/” + topicId +“/” + topicId

+ “-labelIndex”);

Map<Integer, String> labelMap = BayesUtils.readLabelIndex(conf,

labelIndexPath);

 

int bestIdx = Integer.MIN_VALUE;

double bestScore = Long.MIN_VALUE;

HashMap<String, Double> resultMap = new HashMap<String, Double>();

for (int i = 0; i < labelMap.size(); i++) {

Vector.Element element = r.getElement(i);

resultMap.put(labelMap.get(element.index()), element.get());

if (element.get() > bestScore) {

bestScore = element.get();

bestIdx = element.index();

}

}

ClassifyResult result = new ClassifyResult();

if (bestIdx != Integer.MIN_VALUE) {

String label = labelMap.get(bestIdx);

double score = bestScore;

result.setLabel(label);

result.setScore(score);

}

return result;

 

–附上buildInstance和loadClassifier的代码：

private AbstractNaiveBayesClassifier loadClassifier(String topicId,Configuration conf) throws IOException {

Path modelPath = new Path(this.modelDir + “/” + topicId + “-model”);

NaiveBayesModel model = NaiveBayesModel.materialize(modelPath, conf);

AbstractNaiveBayesClassifier classifier = new StandardNaiveBayesClassifier(model);

  return classifier;

}

 

private Vector buildInstance(String topicId,String text){

try {

reBuildDictionary(topicId);

  }  catch (IOException e) {

e.printStackTrace();

}

Vector vector = new RandomAccessSparseVector(FEATURES);

FeatureExtractor fe = new FeatureExtractor();

HashSet<String> fs = fe.extract(text);

for (String s : fs) {

int index = dictionary.get(s);

vector.setQuick(index, frequency.get(index));

}

return vector;

}

（这里就是比较dirty的地方，需要根据dictionary.file-0和frequency.file-0来构造索引，然后用来vectorize目标样本（要分类的样本）

private boolean dictRebuilt = false;

privatevoid reBuildDictionary(String topicId) throws IOException{

if(dictRebuilt) return;

Configuration conf = getConf();

 

    Path dictionaryFile = new Path(tempDir+“/”+topicId+“/”+topicId+“-vectors/dictionary.file-0”);

    // key is feature, value is the document frequency

    for (Pair<Text,IntWritable> record 

        : new SequenceFileIterable<Text,IntWritable>(dictionaryFile, true, conf)) {

      dictionary.put(record.getFirst().toString(), record.getSecond().get());

    }

    Path freqFile = new Path(tempDir+“/”+topicId+“/”+topicId+“-vectors/frequency.file-0”);

    // key is feature, value is the document frequency

    for (Pair<IntWritable,LongWritable> record 

        : new SequenceFileIterable<IntWritable,LongWritable>(freqFile, true, conf)) {

    frequency.put(record.getFirst().get(), record.getSecond().get());

    }

    dictRebuilt = true;

}

 

结束。