王新星
摘要:話題發(fā)現(xiàn)中最常用的方法是基于增量式的SinglePass聚類算法,但是其依賴于文檔的輸入順序且效率低下。針對這兩個問題,提出在多層次話題發(fā)現(xiàn)基礎(chǔ)上,基于Spark平臺的算法并行化,將傳統(tǒng)的Kernel Kmeans算法進行并行化處理,以并行化的方式對數(shù)據(jù)進行初步聚類,并對后續(xù)數(shù)據(jù)進行增量式聚類。實驗表明,多層次處理提高了話題的準(zhǔn)確性;同時,并行化方式相比傳統(tǒng)的話題發(fā)現(xiàn)方法,其效率有較大提高。
關(guān)鍵詞:話題發(fā)現(xiàn);SinglePass;Spark平臺;Kernel Kmeans算法
DOIDOI:10.11907/rjdk.161712
中圖分類號:TP312
文獻標(biāo)識碼:A文章編號文
章編號:16727800(2016)009005104
基金項目基金項目:
作者簡介作者簡介:王新星(1991-),男,陜西渭南人,西安工程大學(xué)計算機科學(xué)學(xué)院碩士研究生,研究方向為大數(shù)據(jù)、云計算。
0引言
隨著各種網(wǎng)絡(luò)社交媒體的普及,網(wǎng)絡(luò)平臺已成為人們了解社會動態(tài)、掌握社會熱點新聞的主要渠道,話題發(fā)現(xiàn)(Topic Detection,TD)成為當(dāng)前研究的熱點??▋?nèi)基梅隆大學(xué)采用經(jīng)典的SinglePass算法識別新聞中的事件[1],但是其過于依賴新聞報道的輸入順序。Forestiero等[2]提出了一種基于MultiAgent思想的SinglePass聚類,使用分散的自底向上和自組織策略對相似的數(shù)據(jù)點進行分類。賈自艷等[3]提出了一種基于動態(tài)進化模型的新聞事件話題發(fā)現(xiàn)算法,應(yīng)用基于時間距離的相似度計算模型自動對新聞資料進行組織,生成新聞專題。稅儀冬等[4] 針對增量式聚類初始時話題模型不夠充分和準(zhǔn)確的問題,提出周期分類和SinglePass相結(jié)合的話題識別與跟蹤方法,提高了話題的精度。格桑多吉等[5]結(jié)合網(wǎng)絡(luò)事件的時間距離,提出了改進的SinglePass算法,提高了文檔的相似度計算能力。
然而,上述研究都是通過算法自身來提高數(shù)據(jù)的處理能力與話題的聚類精度,并沒有考慮話題發(fā)現(xiàn)的效率。面對網(wǎng)絡(luò)信息的爆炸式增長,對于大規(guī)模且需要實時更新的數(shù)據(jù)處理,傳統(tǒng)方式已經(jīng)顯得力不從心。因此,結(jié)合大數(shù)據(jù)處理平臺將會是后續(xù)發(fā)展的必然趨勢。
目前,在處理海量數(shù)據(jù)方面,Hadoop是一個應(yīng)用比較廣的大數(shù)據(jù)處理平臺,基于Hadoop中的MapReduce并行化計算模型,可以高效地對海量數(shù)據(jù)進行挖掘處理。其中,Kmeans算法在Hadoop中的并行化已經(jīng)成為研究的熱點[68]。然而,Hadoop也存在一些不足,它需要不斷操作磁盤文件系統(tǒng),將中間運行結(jié)果寫回文件系統(tǒng),這樣在面對需要不斷迭代的操作過程時,其效率和性能會受到嚴(yán)重影響。為此,Apache開發(fā)了一種基于內(nèi)存的快速處理框架Spark[9],其能更好地適用于數(shù)據(jù)挖掘與機器學(xué)習(xí)等需要迭代的MapReduce算法,使得在交互式數(shù)據(jù)分析和數(shù)據(jù)挖掘工作負載中表現(xiàn)得更加優(yōu)秀。因此,本文提出基于大數(shù)據(jù)處理平臺Spark的話題發(fā)現(xiàn),以并行化的方式提高數(shù)據(jù)處理效率。
4結(jié)語
本文在結(jié)合多層次話題發(fā)現(xiàn)的基礎(chǔ)上,采用基于Kernel函數(shù)的Kmeans算法,借助Kernel函數(shù)在高維特征空間的轉(zhuǎn)換,提高了話題發(fā)現(xiàn)的精確度;同時實現(xiàn)了KernelKmeans算法在Spark平臺上的并行化,借助大數(shù)據(jù)處理平臺,改變了傳統(tǒng)話題發(fā)現(xiàn)算法的運行方式,從而解決了傳統(tǒng)方式對于大規(guī)模數(shù)據(jù)處理效率低下的問題,使得計算效率得到極大提高。實驗證明,其聚類結(jié)果更加準(zhǔn)確,且計算效率相比傳統(tǒng)方式有很大提高。
參考文獻參考文獻:
[1]BAEZAYATES R,RIBEIRONETO B.Modern information retrieval[M].Boston:Addison Wesley,2000.
[2]FORESTIERO A,PIZZUTI C,SPEZZANO G.A single pass algorithm for clustering evolving data streams based on swarm intelligence[J].Data Mining & Knowledge Discovery,2013,26(1):126.
[3]賈自艷,何清,張??。?一種基于動態(tài)進化模型的事件探測和追蹤算法[J].計算機研究與發(fā)展,2004,41(7):12731280.
[4]稅儀冬,瞿有利,黃厚寬.周期分類和SinglePass聚類相結(jié)合的話題識別與跟蹤方法[J].北京交通大學(xué)學(xué)報:自然科學(xué)版, 2009,33(5):8589.
[5]格桑多吉,喬少杰,韓楠,等.基于SinglePass的網(wǎng)絡(luò)輿情熱點發(fā)現(xiàn)算法[J].電子科技大學(xué)學(xué)報,2015(4):599604.
[6]周婷,張君瑛,羅成.基于Hadoop的Kmeans聚類算法的實現(xiàn)[J].計算機技術(shù)與發(fā)展,2013,23(7):1821.
[7]趙衛(wèi)中,馬慧芳,傅燕翔,等.基于云計算平臺Hadoop的并行Kmeans聚類算法設(shè)計研究[J].計算機科學(xué),2011,38(10):166168.
[8]江小平,李成華,向文,等.Kmeans聚類算法的MapReduce并行化實現(xiàn)[J].華中科技大學(xué)學(xué)報:自然科學(xué)版,2011,39(S1):120124.
[9]ZAHARIA M,CHOWDHURY M,F(xiàn)RANKLIN M J,et al.Spark:cluster computing with working sets[J].Book of Extremes,2010,15(1): 17651773.
[10]GIROLAMI MARK.Mercer kernelbased clustering in feature space[J].IEEE Transactions on Neural Networks,2002,13(3):780784.
責(zé)任編輯(責(zé)任編輯:孫娟)