当前位置: > Linux集群 > Hadoop >

MapReduce实现大矩阵乘法

时间:2015-05-11 02:47来源:linux.it.net.cn 作者:IT

引言

何 为大矩阵?Excel、SPSS,甚至SAS处理不了或者处理起来非常困难,需要设计巧妙的分布式方法才能高效解决基本运算(如转置、加法、乘法、求逆) 的矩阵,我们认为其可被称为大矩阵。这意味着此种矩阵的维度至少是百万级的、经常是千万级的、有时是亿万级的。举个形象的栗子。至2012年12月底,新 浪微博注册用户数超5亿,日活跃用户4629万[1],如果我们要探索这4000多万用户可以分成哪些类别,以便深入了解用户共同特征,制定精准营销策 略,势必要用到聚类相关的算法(比如新浪大牛张俊林就利用聚类算法来挖掘新浪微博中的兴趣圈子[2]),而聚类算法都需要构造用户两两之间的关系,形成 n*n的矩阵,称为相似度矩阵。新浪微博这个例子中,这个矩阵的维度是4000万*4000万。
 
大 矩阵乘法为何重要?这个时代(我就不说那个被媒体用烂了的恶心词汇了),在海量数据中淘金,已是各大互联网公司的既定目标,亚马逊是数据化运营的成功典 范,Google、百度投巨资用于对海量数据进行深度学习(Deep Learning)研究,阿里把数据与平台、金融并列成为未来三大战略。话扯得有点大而远,但任何伟大的战略,最终都要落地到非常细粒度的具体操作上。我 们想在海量数据中淘到金子,强大的挖掘工具是必不可少的,而诸如回归、聚类、主成分分析、决策树等数据挖掘算法常常涉及大规模矩阵运算。这其中,大矩阵乘 法具有较大的时间消耗,是算法的瓶颈。张俊林的文章[2]用到了谱聚类算法,其中有个重要步骤是将相似度矩阵转换为拉普拉斯矩阵,这就需要用到大矩阵乘 法。很酷有没有!大矩阵乘法运算可以从根基上影响数据战略的实施,它比那些大而空的废话重要千百万倍。
 
我们将使用MapReduce来分布式计算大矩阵乘法。伟大导师黑格尔告诉我们,量变导致质变。当所操作的矩阵维度达到百万、千万级时,会产生亟待攻克的新问题:
  • 大矩阵如何存储?
  • 计算模型如何设计?
  • 矩阵维度如何传递给乘法运算?
第 3个问题看似与矩阵的“大”无关,但实际上,当矩阵规模巨大时,我们就不太可能像对待小规模矩阵一样将整个矩阵读入内存、从而在一个job中就判断出其维 度,而是需要分开成为两个job,第一个job专注于计算矩阵维度并存入全局变量,传递给第二个job做乘法运算。MapReduce中全局变量的传递, 可以专门写一篇长文来讨论,本文中我们假定矩阵维度已知,并在代码中写死,从而先着眼于解决前两个问题。
 

数据准备

为了方便说明,举两个矩阵作为示例:
 
容易看出,是一个矩阵,是一个矩阵,我们能够算出:
这三个矩阵当然不大,但作为示例,它们将暂时享受大矩阵的待遇。
 

存储方式

理论上,在一个文件中存储4000万*4000万的矩阵当然是可以的,但非常失之优雅,因为这意味着在一条记录中挤下4000万个变量的值。
我 们注意到,根据海量数据构造的矩阵,往往是极其稀疏的。比如4000万*4000万的相似度矩阵,一般来说,如果平均每个用户和1万个用户具有大于零的相 似度,常识告诉我们,这样的关系网络已经非常密集了(实际网络不会这样密集,看看自己的微博,被你关注的、评论过的、转发过的对象,会达到1万个吗?); 但对于4000万维度的矩阵,它却依然是极度稀疏的。
因此,我们可以采用稀疏矩阵的存储方式,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下:
其中,第一个字段为行标签,第二个字段为列标签,第三个字段值为
比如矩阵在HDFS中存储为
1     1     1
1     2     2
1     3     3
2     1     4
2     2     5
3     1     7
3     2     8
3     3     9
4     1     10
4     2     11
4     3     12
矩阵存储为
1     1     10
1     2     15
2     2     2
3     1     11
3     2     9
注意到,这样的值不会在文件中存储。
 

计算模型

回顾一下矩阵乘法。
,那么
矩阵乘法要求左矩阵的列数与右矩阵的行数相等,的矩阵,与的矩阵相乘,结果为的矩阵
现在我们来分析一下,哪些操作是相互独立的(从而可以进行分布式计算)。很显然,的计算和的计算是互不干扰的;事实上,中各个元素的计算都是相互独立的。这样,我们在Map阶段,可以把计算所需要的元素都集中到同一个key中,然后,在Reduce阶段就可以从中解析出各个元素来计算的其他元素的计算同理。
 
我们还需要注意,会被……的计算所使用,会被……的计算所使用。也就是说,在Map阶段,当我们从HDFS取出一行记录时,如果该记录是的元素,则需要存储成个<key, value>对,并且这个key互不相同;如果该记录是的元素,则需要存储成个<key, value>对,同样的,个key也应互不相同;但同时,用于计算的、存放…………的<key, value>对的key应该都是相同的,这样才能被传递到同一个Reduce中。
 
经过以上分析,整个计算过程设计为:
(1)在Map阶段,把来自表的元素,标识成条<key, value>的形式。其中;把来自表的元素,标识成条<key, value>形式,其中
于是乎,在Map阶段,我们实现了这样的战术目的:通过key,我们把参与计算的数据归为一类。通过value,我们能区分元素是来自还是,以及具体的位置。
(2)在Shuffle阶段,相同key的value会被加入到同一个列表中,形成<key, list(value)>对,传递给Reduce,这个由Hadoop自动完成。
(3)在Reduce阶段,有两个问题需要自己问问:
  • 当前的<key, list(value)>对是为了计算的哪个元素?
  • list中的每个value是来自表或表的哪个位置?
第一个问题可以从key中获知,因为我们在Map阶段已经将key构造为形式。第二个问题,也可以在value中直接读出,因为我们也在Map阶段做了标志。
接下来我们所要做的,就是把list(value)解析出来,来自的元素,单独放在一个数组中,来自的元素,放在另一个数组中,然后,我们计算两个数组(各自看成一个向量)的点积,即可算出的值。
示例矩阵相乘的计算过程如下图所示:
 
复制代码
  1     import java.io.IOException;  
  2     import java.util.HashMap;  
  3     import java.util.Iterator;  
  4     import java.util.StringTokenizer;  
  5       
  6     import org.apache.hadoop.fs.FileSystem;  
  7     import org.apache.hadoop.io.LongWritable;  
  8     import org.apache.hadoop.io.Text;  
  9     import org.apache.hadoop.io.Writable;  
 10     import org.apache.hadoop.io.WritableComparable;  
 11     import org.apache.hadoop.mapred.FileSplit;  
 12     import org.apache.hadoop.mapred.JobConf;  
 13     import org.apache.hadoop.mapred.MapReduceBase;  
 14     import org.apache.hadoop.mapred.Mapper;  
 15     import org.apache.hadoop.mapred.OutputCollector;  
 16     import org.apache.hadoop.mapred.RecordWriter;  
 17     import org.apache.hadoop.mapred.Reducer;  
 18     import org.apache.hadoop.mapred.Reporter;  
 19     import org.apache.hadoop.mapred.TextOutputFormat;  
 20     import org.apache.hadoop.mapred.lib.MultipleOutputFormat;  
 21     import org.apache.hadoop.util.Progressable;  
 22       
 23     public class Bigmmult {  
 24          public static final String CONTROL_I = "\u0009";  
 25          public static final int MATRIX_I = 4;  
 26          public static final int MATRIX_J = 3;  
 27          public static final int MATRIX_K = 2;  
 28           
 29          public static String makeKey(String[] tokens, String separator) {  
 30               StringBuffer sb = new StringBuffer();  
 31               boolean isFirst = true;  
 32               for (String token : tokens) {  
 33                    if (isFirst)  
 34                         isFirst = false;  
 35                    else  
 36                         sb.append(separator);  
 37                    sb.append(token);  
 38               }  
 39               return sb.toString();  
 40          }  
 41           
 42          public static class MapClass extends MapReduceBase implements  
 43                    Mapper<LongWritable, Text, Text, Text> {           
 44               public static HashMap<String , Double> features = new HashMap<String, Double>();  
 45                
 46               public void configure(JobConf job) {  
 47                    super.configure(job);  
 48               }  
 49                
 50               public void map(LongWritable key, Text value, OutputCollector<Text, Text> output,  
 51                         Reporter reporter) throws IOException, ClassCastException {  
 52                    // 获取输入文件的全路径和名称  
 53                    String pathName = ((FileSplit)reporter.getInputSplit()).getPath().toString();  
 54                     
 55                    if (pathName.contains("m_ys_lab_bigmmult_a")) {           
 56                         String line = value.toString();  
 57                          
 58                         if (line == null || line.equals("")) return;  
 59                         String[] values = line.split(CONTROL_I);  
 60                          
 61                         if (values.length < 3) return;  
 62                          
 63                         String rowindex = values[0];  
 64                         String colindex = values[1];  
 65                         String elevalue = values[2];  
 66                          
 67                         for (int i = 1; i <= MATRIX_K; i ++) {  
 68                              output.collect(new Text(rowindex + CONTROL_I + i), new Text("a#"+colindex+"#"+elevalue));  
 69                         }  
 70                    }  
 71                     
 72                    if (pathName.contains("m_ys_lab_bigmmult_b")) {                
 73                         String line = value.toString();  
 74                         if (line == null || line.equals("")) return;  
 75                         String[] values = line.split(CONTROL_I);  
 76                          
 77                         if (values.length < 3) return;  
 78                          
 79                         String rowindex = values[0];  
 80                         String colindex = values[1];  
 81                         String elevalue = values[2];  
 82                          
 83                         for (int i = 1; i <= MATRIX_I; i ++) {  
 84                              output.collect(new Text(i + CONTROL_I + colindex), new Text("b#"+rowindex+"#"+elevalue));  
 85                         }  
 86                    }  
 87               }  
 88          }  
 89       
 90          public static class Reduce extends MapReduceBase  
 91                    implements Reducer<Text, Text, Text, Text> {  
 92               public void reduce(Text key, Iterator<Text> values,  
 93                         OutputCollector<Text, Text> output, Reporter reporter)  
 94                         throws IOException {  
 95                     
 96                    int[] valA = new int[MATRIX_J];  
 97                    int[] valB = new int[MATRIX_J];  
 98                     
 99                    int i;  
100                    for (i = 0; i < MATRIX_J; i ++) {  
101                         valA[i] = 0;  
102                         valB[i] = 0;  
103                    }  
104                     
105                    while (values.hasNext()) {  
106                         String value = values.next().toString();  
107                         if (value.startsWith("a#")) {  
108                              StringTokenizer token = new StringTokenizer(value, "#");  
109                              String[] temp = new String[3];  
110                              int k = 0;  
111                              while(token.hasMoreTokens()) {  
112                                   temp[k] = token.nextToken();  
113                                   k++;  
114                              }  
115                               
116                              valA[Integer.parseInt(temp[1])-1] = Integer.parseInt(temp[2]);  
117                         } else if (value.startsWith("b#")) {  
118                              StringTokenizer token = new StringTokenizer(value, "#");  
119                              String[] temp = new String[3];  
120                              int k = 0;  
121                              while(token.hasMoreTokens()) {  
122                                   temp[k] = token.nextToken();  
123                                   k++;  
124                              }  
125                               
126                              valB[Integer.parseInt(temp[1])-1] = Integer.parseInt(temp[2]);  
127                         }  
128                    }  
129                     
130                    int result = 0;  
131                    for (i = 0; i < MATRIX_J; i ++) {  
132                         result += valA[i] * valB[i];  
133                    }  
134                     
135                    output.collect(key, new Text(Integer.toString(result)));  
136               }  
137          }  
138     }  
复制代码
 

参考资料

[1] http://www.36kr.com/p/201443.html
[2] http://www.kuqin.com/algorithm/20120220/318333.html


(责任编辑:IT)
------分隔线----------------------------