如何使用 Spark 找到 10 亿条记录的最近邻居？

Question

给定包含以下信息的 10 亿条记录：

    ID  x1  x2  x3  ... x100
    1   0.1  0.12  1.3  ... -2.00
    2   -1   1.2    2   ... 3
    ...

对于上面的每个 ID，我想根据向量的欧几里德距离 (x1, x2, ..., x100) 找到前 10 个最接近的 ID。

计算这个的最佳方法是什么？

Answer 1

碰巧，我有一个解决方案，包括将 sklearn 与 Spark 结合使用：https://adventuresindatascience.wordpress.com/2016/04/02/integrating-spark-with-scikit-learn-visualizing-eigenvectors-and-fun/

它的要点是：

• 集中使用 sklearn 的 k-NN fit() 方法
• 然后分布式使用 sklearn 的 k-NN kneighbors() 方法

Answer 2

对所有记录与所有记录进行暴力比较是一场失败的战斗。我的建议是使用现成的 k-Nearest Neighbor 算法实现，例如 scikit-learn 提供的算法，然后广播生成的索引和距离数组并走得更远。

这种情况下的步骤是：

1- 按照 Bryce 的建议对特征进行矢量化，并让您的矢量化方法返回一个浮点列表（或 numpy 数组），其中包含与您的特征一样多的元素

2- 让你的 scikit-learn 神经网络适应你的数据：

nbrs = NearestNeighbors(n_neighbors=10, algorithm='auto').fit(vectorized_data)

3- 对矢量化数据运行经过训练的算法（在您的情况下，训练和查询数据相同）

distances, indices = nbrs.kneighbors(qpa)

第 2 步和第 3 步将在您的 pyspark 节点上运行，在这种情况下不可并行化。您需要在此节点上有足够的内存。在我的案例中，有 150 万条记录和 4 个功能，需要一两秒钟。

在我们为 spark 获得良好的 NN 实现之前，我想我们必须坚持使用这些变通方法。如果你想尝试一些新的东西，那就去http://spark-packages.org/package/saurfang/spark-knn

Answer 3

您没有提供很多细节，但我对这个问题采取的一般方法是：

1. 将记录转换为像 LabeledPoint 这样的数据结构，以 (ID, x1..x100) 作为标签和特征
2. 映射每条记录并将该记录与所有其他记录进行比较（这里有很多优化空间）
3. 创建一些截止逻辑，以便在开始比较 ID = 5 和 ID = 1 时中断计算，因为您已经比较了 ID = 1 和 ID = 5
4. 一些减少步骤来获得像{id_pair: [1,5], distance: 123}这样的数据结构
5. 查找每条记录的 10 个最近邻居的另一个映射步骤

您已经确定了 pyspark，我通常使用 scala 进行此类工作，但每个步骤的一些伪代码可能如下所示：

# 1. vectorize the features
def vectorize_raw_data(record)
    arr_of_features = record[1..99]
    LabeledPoint( record[0] , arr_of_features)

# 2,3 + 4 map over each record for comparison
broadcast_var = [] 
def calc_distance(record, comparison)
    # here you want to keep a broadcast variable with a list or dictionary of
    # already compared IDs and break if the key pair already exists
    # then, calc the euclidean distance by mapping over the features of
    # the record and subtracting the values then squaring the result, keeping 
    # a running sum of those squares and square rooting that sum
    return {"id_pair" : [1,5], "distance" : 123}    

for record in allRecords:
  for comparison in allRecords:
    broadcast_var.append( calc_distance(record, comparison) )

# 5. map for 10 closest neighbors

def closest_neighbors(record, n=10)
     broadcast_var.filter(x => x.id_pair.include?(record.id) ).takeOrdered(n, distance)

伪代码很糟糕，但我认为它传达了意图。当您将所有记录与所有其他记录进行比较时，这里会有很多洗牌和排序。恕我直言，您希望将密钥对/距离存储在中心位置（例如会更新的广播变量，尽管这很危险），以减少您执行的总欧几里德距离计算。