Mapreduce 矩阵相乘应用--计算文本间的相似度

最近在处理文本之间相似度的时候，遇到这样的问题：现在每天要计算800w文本两两之间的相似度。

给出的输入数据样例是这样的：



第一个字段为文本的ID，其余字段为 词|权重 ……。 原本作矩阵我采取的通用做法为缓存小表。然后将大表作为输入，然后进行计算。 现在数据规模变大了，当然要采取另外的一种方式进行处理。

数据存储

从要求中可以分析出，这个矩阵是一个稀疏矩阵，因为毕竟每个文本只能包含少部分词语。 因此采用稀疏矩阵的方式进行存储。只存储那些非零的数值。具体而言，存储矩阵的文件每一条记录的结构如上图所示，(文本ID 词 权重)
计算模型:

在本需求中的应用

通过以上的方法可以看到，这种方法是用大量的硬盘空间来换取内存空间。因为每个词的权重 要重发发送很多变。
其次，在使用上述方法的时候，需要对新闻和词建立统一的索引。比如 “科技”这个词的索引为0， “文化”这个词的索引为1，换句话说，就是将矩阵的横纵坐标对应到每个词和新闻当中。
最后计算相似度的时候，输入数据要存成两份，一份作矩阵A，一份作为矩阵A的转置，然后进行相乘。
ps：这里说明一下，在使用mapreduce 中的MultipleInputs的时候，我设置了两个Map，一个处理A矩阵，一个处理A矩阵的转置，发现不可以。因为MultipleInputs这个类只能针对不同的路径采取不同的Map和InputFormat。所以如果路径相同了。那么后面的会覆盖掉前面的。