基于Spark的機器學習經驗

如何基于spark做機器學習

Spark發展到1.5版本，算是全平臺了，實時批計算，批處理，算法庫，SQL，hadoop能做的，基本他都能做，而且做的比Hadoop好。

當然，這里我要提及的是，Spark依然是Hadoop生態圈的一員，他替換的也僅僅是MR的計算模型而已。資源調度依賴于Yarn，存儲則依賴于HDFS，是hadoop生態圈的一顆新星（其實算是老星啦）。

我 之前寫文章說，Spark-Shell是個偉大的創新，加上牛逼的Scala語言，寫spark程序就和寫普通的shell腳本（或者類似python程序）一樣容易。問題是，原來的shell，python只能在單機工作，現在你寫的每一行代碼，都被放到了一個幾百臺，幾千臺的規模上去做了。

以前的統計/機器學習依賴于數據抽樣，抽樣從統計的角度來看，如果足夠隨機，其實可以很精準的反應全集的結果，但事實上往往很難做好隨機，所以通常做出來也會很不準?，F在大數據解決了這個問題，但不是通過優化抽樣的隨機來解決，而是通過全量數據來解決。

要解決全量的就需要有強大的處理能力，spark首先具備強大的處理能力，其次SparkShell帶來了傳說中的即席查詢。做算法的工程師，以前經常是在 小數據集上跑個單機，然后看效果不錯，一到全量上，就歇菜了，和單機效果很不一樣。雖然是小數據，但是在你的筆記本上跑你幾個小時，也是很正常的。

但 是有了spark后，不一樣了，尤其是有了spark-shell。 我后面的兩個例子，都完全是在spark-shell上寫就的。邊寫代碼，邊運行，邊看結果。我研究的CSDN幾百萬博文的時候，就是直接拿全量數據跑，直接看效果。spark 抽樣也很方便，一個sample函數，你想要多少就多少。

幾 十個G的博文數據，count一下也就十幾秒，cache了之后幾秒就count完了。所以說，如果docker顛覆了部署，那么spark-shell也應該顛覆算法工程師的日常工作。我現在會和一個百度的朋友比，哇，最近我們spark集群內存有9個T了，對方鄙視的看我一眼：百T的飄過…..

目前Spark已經提供的算法，我用的最多的是貝葉斯，word2vec，線性回歸等。所以這里，作為算法工程師，或者分析師，一定要學會用spark-shell。

基于Spark做新詞發現

新詞發現是一個非常有意思的領域，用途非常多。譬如可以構建垂直領域詞庫，自動發現新熱門詞匯。詞庫的重要性我不用強調了?；赟park強大的計算能力，我直接對200萬+的博文進行了分析，得到大概八萬詞，包含中文、英文、中英文混合詞。

通過凝固度、自由度、詞頻、idf以及重合子串（比如 c1c2c3..cN c2c3..cN-1 這種形態的，我們認為是重合子串，如果詞頻一樣，則都過濾掉，否則留詞頻高的）五個維度進行閾值設置和過濾。

事實上，中間結果可以到幾百億，一個不小心就可以把Spark跑死，但是也在這個過程中慢慢對Spark有了更深的理解。 最終效果還是不錯的，現在它已經作為我們的基礎詞庫了。

基 本上就是用spark計算出詞的五個屬性： 凝固度、自由度、詞頻、idf以及重合子串。算法自然是參考論文的，凝固度、自由度的概念來源于這里重合子串能修正一類的問題，但我感觸比較深的是，通常某篇論文只會在一個視角去focus某件事情，所以你需要參考多篇，從不同角度去理解這件事情的解決方式，最后通過實驗綜合，得到一個更好解決方案。

我參考了兩篇論文，比如凝固度，自由度是出自一篇論文，而重合子串則來自另外一篇論文，然后自己觀察實際數據，添加了很多規則，才得到最后的結果。

一說到算法，大概很多人心里就是想著，恩，我把數據轉化為算法需要的格式，然后丟給現成的算法跑，跑著就出結果，或者出模型，然后反復嘗試，直到得到你認為 能接受的或者最優的結果。我一開始也是這么想的，可是如果你真的做這件事情，就發現完全不是那樣子啊，需要注意的細節太多了。

新詞發現沒有現成的工具包，所以完全自己寫了。第一步，你要獲取語料。這容易，基于現有的平臺，我從我們資源中心挑出了200萬篇文章id，然后根據id到數據網關獲取title，body字段。這個基于現有的平臺，也就一個SQL + 幾行Scala代碼就搞定的事情。

SQL 其實就是用Hive 生成一個200萬博文id列表。Scala代碼也就幾行。

因為我們的新詞發現是沒有詞典的，需要枚舉所有組合，然后通過一定的規則判定這是不是一個詞。比如 ‘我是天才’，就這四個字， 組合有，‘我是’，‘我是天’，‘我是天才’，‘是天’，‘是天才’，‘天才’ 。

你想想，200萬篇文章，這種組合得多夸張，問題是你還要接著給這些組合做計算呢。這個算法可沒告訴你怎么處理的，你只能自己去想辦法?？吹搅?，真正你做算法的過程中，不只是實現，你需要面對的問題特別多，我是怎么做的呢？

將所有html標簽替換成空格。

通過小空格將一個大文本切分成無數小文本塊。

我們認為一個詞的長度最長不能超過5個字。
對每個小文本塊再抽取出中文，中英文，英文。
將一些特殊字符，類似“?。ぁǎ?｛｝【】的呀啊阿哎吧和與兮呃唄咚咦喏啐喔唷嗬嗯噯你們我他她，這是由于” 這些不可能成詞的字符先去掉。處理的過程中，你可能需要寫中文，英文，中英文的抽取方法。

通過上面的五個處理，你計算規模會小非常多。如果不這樣處理，估計再大內存都能讓你歇菜。接著就是按論文里的規則做計算了，比如算詞的凝固度，算重合子串。 這里面還會遇到很多性能，或者內存的坑，比如Spark里的groupByKey，reduceByKey。我一開始省事，用了groupByKey，歇 菜了，內存直接爆了，為啥，你要去研究groupByKey到底是怎么實現的，一個詞出現幾十萬次，幾百萬次都很正常啊，groupByKey受不了這種 情況。所以你得用reduceByKey。

在spark 1.5里，已經支持動態調整worker數目了。我之前做這個的時候，會開的比較大，如果集群規模比較小，可能會影響別人，而且用完要趕緊釋放，但釋放了重新再起，也還是很麻煩的，現在好很多了。

很好，實現了算法后得到了結果，可人家沒告訴你，他貼出來的結果都是好看的，那是因為他是按頻次排的，但如果你拉到最后看，結果就不太好看了。這個時候你就需要觀察數據了，然后提出新的規則，比如最后得到的中文詞結果，我用了一些簡單規則過濾下，都是哪些呢？

凡是詞里面包含‘或’的，或者’就’的或者上面羅列的，我都認為這個詞是沒有意義的，經過這個簡單規則一過濾，效果好非常多，很多沒什么意義的生活詞，或者不成詞的詞就被去掉了。中文，英文，中英文混合，我都加了很多這種規則，最終才過濾出了八萬計算機詞匯。

我 在做上面的方案時，基本上就是在spark-shell中完成的。其實有點像ngram，就是對所有字符串做所有枚舉，只是會限制最終成詞的長度。我這里 中文是最長五個字，英文是四個字，中英文一塊的是五個字，接著要算出每個詞左右連接字。

重合子串，是這個算法的一個比較大的問題，比如 c1c2c3…cN c2c3…cN-1，因為是從統計的方案做的，c1c2c3…cN c2c3…cN-1 他們兩算出來的分數可能就是一樣的，所以如果我們發現他們的分值或者出現頻率是一樣的，就可以直接排除掉了。

基于Spark做智能問答

其實我做的智能問答算不上智能問答，但是內部一開始這么叫的，所以也就這么順帶叫下來了。 其實做的事情非常簡單：

比較兩個標題的相似度

如果我們能知道兩個句子說的其實是一件事情，那么就能打通各產品的互通鴻溝了。之前試水的項目是打通問答到博客的通道。具體效果大家可以看看CSDN的問答產品，里面的機器人，背后用的算法就是這套。

當用戶問一個問題，機器人就會到博客里去找有沒有這個問題的答案，或者有沒有可以做參考的。 比較神奇的是，之前有個在問答活躍的人也特別喜歡貼博客鏈接作為回答，我們對比了機器人和他的結果，發現機器人和他貼的差不多。

對于擁有內容的網站來說，這個技術還是非常重要的，比如CSDN，有論壇，博客，資訊，雜志等等，都是內容的載體。用戶在問答頻道里問的一個問題，其實在博客，在論壇早就已經有答案了。具體做法是透過word2vec解決一意多詞的問題。接著將詞轉換為句子向量。這樣任何一個問題都可以轉換為一個向量。同理任何一篇博文的標題也可以轉化為一個向量。

word2vec，采用的數據來源，我是用的搜索引擎的數據。大部分內容類的網站，他的PV應該有相當一部分來自搜索引擎，其實搜索引擎對這些網站來說，就是一個大的寶藏。因為搜索的query串，都是用戶遇到的問題，然后指向到解決這些問題的內容上。

內容上，所以我直接拿用戶的query作為word2vec的語料，得到一些常用的提問詞，每個詞用一個50維度的向量表示。當然，我們不可能真的讓一個問 題和幾百萬內容直接做比較，一個簡單有效的方式是，先通過搜索引擎去搜，然后將搜索得到top100結果做向量計算得到新的得分。 基本相似度大于0.9 的可以算作答案。大于0.7的就可以作為參考答案了。站內搜索服務應該是標配了，所以對大部分網站應該不是問題。

對了，這里有個問題是：word2vec計算出來的是用一個稠密的定長向量表示詞，我的做法是直接把一個句子的里的詞的向量按位做加法，重新得到一個新的向量作為句子的向量。當然，這種方式也是有缺陷，也就是句子越長，信息損耗越大。但是做這種標題性質的相似度，效果出奇的好，那種句子里很多詞匯不相同的，它都能算出他們很相似來，這是因為word2vec可以算出不同詞匯之間關系。

好了，具體的內容就分享到這里。

總結

下面是我的幾個觀點：

作為數據分析師，算法工程師，請好好利用spark-shell。 Spark社區為了滿足數據分析師，算法工程師，其實也做了非常多的工作，包括Python, R語言的支持。15年社區努力做的DataFrame其實就是從R里借鑒過來的，也方便R數據科學家方便的遷移過來。我覺得大家都應該與時俱進，不要只玩 單機了。

課程Q&A

Q： 如何從0開始系統學習spark，最后轉行？

A： 學會scala就行，scala是一門具有學院派氣息的語言，你可以把它寫的像python，ruby那樣，也可以寫的想java那樣方方正正，也可以學習python，spark支持python但是可能有些功能用不了，用了一天的時間把Scala的官方教程看了，基本就能上手了。

Q：建議不做RAID的原因是什么？

A： 比如我例子提到的默認HDFS的所有數據都會存三份，可以保證數據位于不同的服務器上，不同的磁盤上，所以無需RAID。

Q：很多沒什么意義的生活詞，或者不成詞的詞，這些詞是怎樣得到的？也是分析出來的？

A： 因為用的都是統計的一些方式，所以肯定會有很多無意義的詞匯，假設我們現在得到的詞匯幾何是A,接著我去爬了一些新聞和生活的類的博客，然后用程序去跑一遍得到一批詞匯B，然后A-B 就能得到一拼更純正的計算機詞匯。

Q：內存要調到多大才能不會爆掉？是不是有什么比例？

A： 你不管調到多大，如果用的不好 也都有可能，groupByKey這個會有很大的內存問題，他形成的結構式 key-> value1，value2，value3……valuen，這種是非常消耗存儲空間的額，大家使用spark的時候，序列化最好使用kyro，性能確實 好太多，一個worker 會同時配置可以使用的內存和cpu，這個時候一定要搭配好。比如你允許work使用5個cpu，那內存最好能配到10G，如果內存過小，你的cpu會大量 浪費在GC上，我一般是單個worker 12G內存 ，可使用4核。

Q：直接把一個句子的里的詞的向量按位做加法，這是如何加？能舉個例子不？

A：比如 考慮一個三維向量： A[1，3，5] B[1，3，7]，現在有個句子 是AB兩個詞組成，則對應的向量為A+B=[2,6,12]

Q：還有中文分詞是用的什么方法?可否分享代碼不??？

A：這里是無監督分詞，所以不用中文分詞，按維度疊加，才能保證都是相同長度的向量，而且中文分詞這塊，我推薦我一個同事的 ansj分詞，還是做的不錯的。

Q：一些分詞方法具有新詞發現的功能，比如crf，樓主是比較過效果么？而且我記得matrix67這個算法復雜度還是很高的？

A: matrix67 這個算法復雜度還是非常高的，你實際操作就會發現計算量，內存使用量都很大，crf等據我所知，還都是需要依賴詞表的，matrix67的這個方式，完全不需要任何先驗的東西。

Q：為什么一個詞要用50維度表示？ 這能舉個例子不？ 這里不太明白。

A: 理論上維度越長越好，我當時是隨意試了一個值。發現效果其實已經可以了，這是一個可以調整的值，比如你可以分別生成50，150，300維度的，然后試試那個效果好。