计算scala中的余弦相似度

Question

我有一个包含 UserId、MovieId、tags 的文件 (tags.csv)。我想使用基于域的方法来计算标签之间的余弦相似度。我只想显示喜剧的相关标签，并衡量与喜剧标签相关的每个标签的相似度。

数据集

我的代码是：

val rows = sc.textFile("/usr/local/comedy")
val vecData = rows.map(line => Vectors.dense(line.split(", ").map(_.toDouble)))
val mat = new RowMatrix(vecData)
val exact = mat.columnSimilarities()
val approx = mat.columnSimilarities(0.07)
val exactEntries = exact.entries.map { case MatrixEntry(i, j, u) => ((i, j), u) }
val approxEntries = approx.entries.map { case MatrixEntry(i, j, v) => ((i, j), v) }
val MAE = exactEntries.leftOuterJoin(approxEntries).values.map {
  case (u, Some(v)) =>
    math.abs(u - v)
  case (u, None) =>
    math.abs(u)
}.mean()

但是出现这个错误：

java.lang.NumberFormatException: For input string: "[1,898,"black comedy"]"
    at sun.misc.FloatingDecimal.readJavaFormatString(FloatingDecimal.java:2043)
    at sun.misc.FloatingDecimal.parseDouble(FloatingDecimal.java:110)
    at java.lang.Double.parseDouble(Double.java:538)

怎么了？

Answer 1

错误消息中充满了相关信息。

NumberFormatException: For input string: "[1,898,"black comedy"]"

看起来输入 String 没有被拆分为单独的列数据。所以 .split(", ") 没有完成它的工作，很容易理解为什么，没有逗号空格序列可以拆分。

我们可以去掉空格并只用逗号分隔，但这仍然会在第一列数据中留下一个非数字 [，而第三列数据根本没有数字字符。

有几种不同的方法可以解决这个问题。我很想使用正则表达式解析器。

val twoNums = "(\\d+),(\\d+),".r.unanchored
val vecData = rows.collect{ case twoNums(a, b) =>
                Vectors.dense(Array(a.toDouble, b.toDouble))
              }