电影推荐的MapReduce Jaccard相似度计算

Question

我正在考试分布式系统，我试图解决去年考试中的MapReduce问题。但我很难搞清楚我将创建的MR功能。练习是关于处理包含{userID，movieID，timestamp}的数据集。我们想要建立一个服务，在用户之后向用户推荐电影。用户（id）已在元组中看到电影（id）。要推荐另一部电影，您需要计算Jaccard相似度：

Jaccard（X，Y）= N /（Nx + Ny-N），其中：

• Nx =看过电影X的用户数
• Ny =看过电影Y的用户数
• N =同时看过电影X和Y的用户数

在伪代码中MR函数必须如下：

MAP(key1, value1):
  // Do stuff about<key1,value1>
  emit(key2,value2)


REDUCE(key2,list(value2)):
  //do stuff about <key2, list(value2)>
  emit(key3,value3)

重要：reduce_1的输出为e.x.必须是map_2的输入。

P.S。：这不是一个家庭作业，因为它是一个过去的决赛考试，这就是为什么我不把它放在家庭作业问题。 （如果需要，可以提供考试pdf的链接）

我为初学者尝试了以下方法：

MAP(key1, value1):
  //key = tupleID
  // value1 = {userID, movieID, timestamp}
  // I discard timestamp as it doesn't offer any help on creating 
     Jaccard similarity.
  emit(movieID,userID)


REDUCE(movieID,list(userID)):
  Nx = 0
  for each user u in list(userID):
     Nx = Nx +1
  emit(movieID,Nx)

我不知道接下来该做什么。我还没有理解MR背后的逻辑，关于第二个MR将作为输入得到什么。例如，MovieID将保持不变，或者它将获得数据集中的下一个movieID？提前感谢您提供的任何解释。如果您想更好地解释练习的数据，请询问。

Answer 1

map / reduce的map部分将每个输入记录转换（映射）到（key - > value）对。

输入记录 - > x地图功能 - > f输入记录上的地图功能输出 - > f(x)

在您的具体示例中，您将通过丢弃时间戳将{userID，movieID，timestamp}的元组转换为键值映射（movieId - > userId）。

map / reduce的reduce部分采用您从上面创建的每个键值映射，并执行聚合函数（reduce）。由于一个key的所有数据都需要位于一个节点上以执行精确的聚合计算，因此特定key的值将移动到负责该key的特定节点。这就是为什么reduce将输入视为（键 - >列表（值））或您的示例（movieId - > List（userIds））。所以，对于每个reduce电话，key将是不同的。

reduce函数的输出将是每个输入键的唯一（键 - > aggregation_computation（值））。例如在你的情况下，

Movie (Id)              Number of Users
Star Wars               50
John Wick               32
Fifty Shades of Grey    9000
...