1 实验环境部署
1.1 主机环境
处理器 Intel(R) Core(TM)2 Duo CPU 2.80GHz
内存 8.00GB
操作系统 WIN7SP1 64bit
1.2虚拟机环境
VMware® Workstation 10.0.2 build-1744117
处理器 2Core
内存 4GB
操作系统 Ubuntu12.04 LTS Desktop 32bit
Hadoop与Spark环境在之前的练习中已经搭好。
2 方法介绍
2.1 文本聚类
文本聚类（Text clustering）主要是依据著名的聚类假设：同类的文档相似度较大，而不同类的文档相似度较小。作为一种无监督的机器学习方法，聚类由于不需要训练过程，以及不需要预先对文档手工标注类别，因此具有一定的灵活性和较高的自动化处理能力，已经成为对文本信息进行有效地组织、摘要和导航的重要手段。
文本聚类可以用于生成一篇简明扼要的摘要文档；对搜索引擎返回的结果进行聚类，使用户迅速定位到所需要的信息；对用户感兴趣的文档（如用户浏览器cache中的网页）聚类，从而发现用户的兴趣模式并用于信息过滤和信息主动推荐等服务；数字图书馆服务；文档集合的自动整理等等。
2.2 主要的聚类方法
（1）基于划分的方法
基于划分的聚类算法（Partitioning Method）是文本聚类应用中最为普遍的算法。方法将数据集合分成若干个子集，它根据设定的划分数目k选出k个初始聚类中心，得到一个初始划分，然后采用迭代重定位技术，反复在k个簇之间重新计算每个簇的聚类中心，并重新分配每个簇中的对象，以改进划分的质量。使得到的划分满足“簇内相似度高，簇间相似度小”的聚类原则。典型的划分聚类方法有K-means算法和K-medoids算法，两者的区别在于簇代表点的计算方法不同。前者使用所有点的均值来代表簇，后者则采用类中某个数据对象来代表簇。为了对大规模的数据集进行聚类，以及处理复杂形状的聚类，各类改进的划分算法逐渐增多。
基于划分方法的优点是运行速度快，但该方法必须事先确定k的取值。算法容易局部收敛，且不同的初始聚类中心选取对聚类结果影响较大。为此，应用最广泛的k-means算法有很多变种，他们可能在初始k个聚类中心的选择、相似度的计算和计算聚类中心等策略上有所不同，最终实现聚类结果改进的目标。
（2）基于层次的方法
基于层次的聚类算法（Hierarchical Method）又叫“分级聚类算法”或“树聚类”，它通过分解给定的数据对象集来创建一个层次。这种聚类方法有两种基本的技术途径：一是先把每个对象看作一个簇，然后逐步对簇进行合并，直到所有对象合为一个簇，或满足一定条件为止；二是把所有对象看成一类，根据一些规则不断选择一个簇进行分解，直到满足一些预定的条件，如类的数目达到了预定值，或两个最近簇的距离达到阈值等。前者称为自下而上的凝聚式聚类，后者称为自上而下的分裂式聚类。
（3）基于密度的方法
绝大多数划分算法都是基于对象之间的距离进行聚类，这类方法只能发现圆形或球状的簇，较难发现任意形状的簇。为此，提出了基于密度的聚类算法（Density-Based Clustering Method），其主要思想是：只要邻近区域的对象或数据点的数目超过某个阈值，就继续聚类。即对给定类中的每个数据点，在一个给定范围的区域中至少包含某个数目的点，这样就能很好的过滤掉“噪声”数据，发现任意形状的簇。其基本出发点是，寻找低密度区域分离的高密度区域。
（4）基于网格的方法
基于网格的算法（Grid-Based Clustering Method）把对象空间量化为有限数目的单元，形成了一个网络结构。所用的聚类操作都在整个网络结构即量化的空间上进行。这种方法的一个突出的优点就是处理速度很快，其处理时间独立于数据对象的数目，只与量化空间中的每一维的单元数目有关。
（5）基于模型的方法
基于模型的算法（Model-Based Clustering Method）试图优化给定的数据和某些数学模型之间的适应性。这样的算法经常是基于这样的假设，数据是根据潜在的概率分布生成的。它通过为每个聚类假设一个模型来发现符合相应模型的数据对象。根据标准统计方法并综合考虑“噪声”或异常数据，该方法可以自动确定聚类个数，从而得到鲁棒性较好的聚类方法。基于模型的算法主要有两类，分别为统计学方法和神经网络方法。
2.3 K-means算法
K-means算法接受数据集和参数k，经过若干次迭代，将输入的n个数据对象（以m维向量形式表示）划分为k个聚类，使得所获得的聚类满足：
1、 同一聚类中的数据对象的相似度较高（或距离最近）；
2、 不同聚类中的数据对象的相似度较低（或距离最远）。
算法流程：
1、 适当选择k个初始中心；
2、 在第i次迭代中，对任意一个样本数据，求其到k个中心的距离，然后将该样本数据归到距离最短的中心所在的类；
3、 对于每个类，利用求均值等方法更新该类的中心值；
4、 对于所有的k个聚类中心，如果经过2、3的某次迭代法更新后，值保持不变，则迭代结束，否则继续迭代。
2.4 Hadoop实现
本次作业的实验数据为大量的中文短文本，包含未分词和已分词两种模式，而对于大规模的中文网站聚类，其流程见下图：
图1 中文聚类分析
根据这一完整的流程，我们先在hadoop下实现聚类，共有七个源文件：
（1）WordFrequenceInDocument.java
提取中文、分词、去停用词、统计词频
（2）WordCountsInDocuments.java
统计每个网页的单词数目
（3）WordsInCorpusTFIDF.java
统计单词在多少个网页出现，计算TFIDF，建立词表
（4）DocumentVetorBuid.java
建立网页向量，随机选取K个网页作为中心点
（5）Kmeans.java
判断网页属于哪一类，更新中心点，最后输出网页所属中心标号
（6）KmeansDriver.java
控制 Mapreduc的Job顺序，以及K-means迭代流程，设置参数
（7）DocTool.java
根据网页向量以及所有中心点向量输出网页所属的中心编号
在处理中文文本的过程中，三个主要的mapreduce过程如下：
表1 WordFrequenceInDocument
表2 WordCountsInDocuments
表3 WordsInCorpusTFIDF
网页向量以及初始中心点的选取在Mapreduce 中的过程为：
表4 DocumentVectorBuild
DocTool简化了Kmeans过程中的代码，将计算网页向量与中心点向量之间的余弦距离，并根据最大的余弦距离判断网页属于哪一类的方法抽象出来， Kmeans 的迭代过程中可以直接在调用，简化了 Kmeans 主类的代码复杂度。
主类由两个Mapreduce 组成，一个是在迭代过程中更新中心点，一个是生成最后的结果，这两个 Mapreduce 的 Mapper 和 Reducer 如下：
表5 Kmeans聚类
2.5 Spark实现
Spark平台中的实现不需要分别编写Map方法和Reduce方法，而是按照串行程序的正常逻辑顺序来编写。具体实现过程如下：
（1）输入的文件使用Hadoop实现中预处理之后的文件，即样本文本特征向量集合，可以直接进行KMeans聚类的处理；
（2）随机生成k个（k=10）向量（维度和取值范围都与样本文本的特征向量一致）作为初始的k个中心；
（3）使用map操作将每个样本文本特征向量与其所属的类别映射到一起（需要调用方法来计算每个样本文本特征向量到每个中心的距离，返回最近的中心ID）；
（4）使用reduce操作按照映射到的中心ID来汇合，汇合的过程中，特征向量每个维度上数值都将累加，计数器也随之增长。然后再使用map操作，计算平均值，即可得到新的k个中心；
（5）计算新的k个中心与旧的k个中心的距离和，若为0（或小于某一阈值）则停止迭代，输出聚类结果，程序结束，否则继续迭代，重复3、4、5。
代码见附录。
3 实验结果统计
经统计，一共12142条样本文本，聚类到k=10类，其中分类是0~9的分别为542、2172、1652、2698、30、2386、303、506、976、877条。
Hadoop的结果：
图2 Hadoop结果
Spark的结果：
图3 Spark结果
4 对两个平台上实现方法的对比
（1）Hadoop的各项时间的统计信息如下（单位ms）：
reading files and creating dict time: 73441
generating vectors time: 7133
total iteration: 10
first iter time: 832246
average iter time: 540034
total time: 5204791
（2）Spark的各项时间的统计信息如下（单位ms）：
reading files time: 321
total iteration: 8
first iter time: 30428
average iter time: 15000
total time: 120132
列表如下：
单位：ms | 读文件时间 | 迭代次数 | 首次迭代时间 | 平均迭代时间 | 总时间 |
Hadoop | 73441 | 10 | 832246 | 540034 | 5204791 |
Spark | 321 | 8 | 30428 | 15000 | 120132 |
表6 Hadoop与Spark对比
不难看出Spark平台的效率和速度都要比Hadoop平台高出很多。
5 收获与建议
通过本学期“网络大数据管理理论和应用”的学习，我了解到关于大数据、分布式平台、语义计算等比较前沿的知识。比如在学习过程中，我了解到通过大数据分析处理用户行为模式，向用户推荐广告，然后通过销量的变化来判断广告推荐系统的好坏这样一种算法，对于这种算法我就比较感兴趣，所以通过课程的学习我拓展了自身的视野。
通过老师和助教的指导，我们还搭建了hadoop和spark平台，进行了基本的mapreduce编程，为以后深入学习打下了基础。在学习过程中，我们还锻炼了做报告的能力，分享了自学的心得。
至于建议方面，我觉得做报告的环节，是否可以限定在相关领域的核心期刊或会议论文上，这样学术性会更好，更能锻炼大家的学习和报告能力。
附录
object SparkKMeans {
//String转Vector
def parseVector(line: String): Vector = {
return new Vector(line.split(' ').map(_.toDouble))
}
//计算最近中心点
def closestCenter(p: Vector, centers: Array[Vector]): Int = {
var bestIndex = 0
var bestDist = p.squaredDist(centers(0)) //差平方之和
for (i <- 1 until centers.length) {
val dist = p.squaredDist(centers(i))
if (dist < bestDist) {
bestDist = dist
bestIndex = i
}
}
return bestIndex
}
//主方法
def main(args: Array[String]) {
val sc = new SparkContext("local", "SparkKMeans")
System.out.println("reading files start...")
val t1 = System.currentTimeMillis()
val lines = sc.textFile("/home/fabkxd/Documents/kmeans_data/inputfile.txt")
val points = lines.map(parseVector(_)).cache() //文本中每行代表一个样本，转换为Vector
val t2 = System.currentTimeMillis()
System.out.println("reading files done...\n")
val dimensions = 5100 //节点的维度
val k = 10 //聚类个数
System.out.println("initial centers start...")
// 随机初始化k个中心节点
val rand = new Random(42)
var centers = new Array[Vector](k)
for (i <- 0 until k)
centers(i) = Vector(dimensions, _ => rand.nextDouble)
System.out.println("initial centers done...\n")
System.out.println("kmeans iterations start...")
var first: Long = 0
val to1 = System.currentTimeMillis()
var iter: Int = 1
var over: Int = 1
for (i <- 1 to iterations) {
if (over == 1) {
System.out.println("\titeration " + i + " start...")
var ti1 = System.currentTimeMillis()
//对每个点计算距离其最近的中心点
val mappedPoints = points.map { p => (closestCenter(p, centers), (p, 1)) }
val newCenters = mappedPoints.reduceByKey {
case ((sum1, count1), (sum2, count2)) => (sum1 + sum2, count1 + count2) //(向量相加, 计数器相加)
}.map {
case (id, (sum, count)) => (id, sum / count) //根据前面的聚类，用平均值算法重新计算中心节点的位置
}.collect
var cdist: Double = 0
// 计算收敛距离并更新中心节点
for ((id, value) <- newCenters) {
cdist += value.squaredDist(centers(id))
centers(id) = value
}
System.out.println("\t\tdistance: " + cdist)
var ti2 = System.currentTimeMillis()
if (first == 0)
first = ti2 - ti1
System.out.println("\titeration " + i + " done...")
if (cdist < 0.3) {
mappedPoints.saveAsTextFile("output")
iter = i
over = 0
}
}
}
val to2 = System.currentTimeMillis()
System.out.println("kmeans iterations done...")
System.out.println("reading files time: " + (t2 - t1))
System.out.println("total iteration: " + iter);
System.out.println("first iter time: " + first);
System.out.println("average iter time: " + (to2 - to1) / iter);
System.out.println("total time: " + (to2 - to1));
}
}
