Question

我正在使用Apache Spark ML LSH的roximatedSimilarityJoin方法加入2个数据集，但是我看到一些奇怪的行为。

（内部）加入后，数据集有点偏斜，但是每次一个或多个任务需要花费非常长的时间才能完成。

如您所见，每个任务的中位数为6毫秒（我正在较小的源数据集上对其进行测试），但是1个任务需要10分钟。它几乎不使用任何CPU周期，它实际上是在联接数据，但是太慢了。下一个最慢的任务在14秒内运行，记录增加了4倍，实际上溢出到磁盘上。

如果您看着

联接本身是pos和hashValue（minhash）上的两个数据集之间的内部联接，符合minhash规范和udf，用于计算匹配对之间的jaccard距离。

分解哈希表：

modelDataset.select(
      struct(col("*")).as(inputName), posexplode(col($(outputCol))).as(explodeCols))

Jaccard距离功能：

 override protected[ml] def keyDistance(x: Vector, y: Vector): Double = {
    val xSet = x.toSparse.indices.toSet
    val ySet = y.toSparse.indices.toSet
    val intersectionSize = xSet.intersect(ySet).size.toDouble
    val unionSize = xSet.size + ySet.size - intersectionSize
    assert(unionSize > 0, "The union of two input sets must have at least 1 elements")
    1 - intersectionSize / unionSize
  }

加入已处理的数据集：

// Do a hash join on where the exploded hash values are equal.
val joinedDataset = explodedA.join(explodedB, explodeCols)
  .drop(explodeCols: _*).distinct()

// Add a new column to store the distance of the two rows.
val distUDF = udf((x: Vector, y: Vector) => keyDistance(x, y), DataTypes.DoubleType)
val joinedDatasetWithDist = joinedDataset.select(col("*"),
  distUDF(col(s"$leftColName.${$(inputCol)}"), col(s"$rightColName.${$(inputCol)}")).as(distCol)
)

// Filter the joined datasets where the distance are smaller than the threshold.
joinedDatasetWithDist.filter(col(distCol) < threshold)

我尝试过将缓存，重新分区甚至启用spark.speculation组合使用，但无济于事。

数据由必须匹配的带状地址文本组成： 53536, Evansville, WI => 53, 35, 36, ev, va, an, ns, vi, il, ll, le, wi 与城市或邮编中有错字的记录的距离将很短。

给出的结果非常准确，但这可能是联接偏斜的原因。

我的问题是：

什么可能导致此差异？（即使一项记录较少，一项任务也需要很长时间）
如何在不损失准确性的情况下防止minhash中的这种偏斜？
是否有更好的方法可以大规模进行此操作？（我无法Jaro-Winkler / levenshtein将数百万条记录与位置数据集中的所有记录进行比较）

Answer 1

可能有点晚了，但是无论如何我都会在这里发布答案，以帮助他人。最近，我遇到了与拼写错误的公司名称（All executors dead MinHash LSH PySpark approxSimilarityJoin self-join on EMR cluster）相匹配的类似问题。有人建议我采用NGrams来减少数据偏差，从而帮助了我。这对我帮助很大。您也可以尝试使用3克或4克。

我不知道数据有多脏，但是您可以尝试利用状态。基本上已经减少了可能的匹配次数。

真正帮助我提高匹配准确性的是，通过在每个组件上运行标签传播算法来对连接的组件（MinHashLSH进行的一组连接的匹配）进行后处理。这还允许您增加N个（NGram中的）N，从而减轻数据偏斜的问题，减少approxSimilarityJoin中jaccard distance参数的设置，以及使用标签传播进行后处理。

最后，我目前正在研究使用skipgrams进行匹配。我发现在某些情况下它可以更好地工作，并在一定程度上减少了数据偏斜。

性能奇怪的问题Spark LSH MinHash近似相似

1 个答案: