在 Spark 中计算逐点互信息

Question

我正在尝试计算 pointwise mutual information (PMI)。

我在这里定义了两个 RDD，分别用于 p(x, y) 和 p(x)：

pii: RDD[((String, String), Double)]
 pi: RDD[(String, Double)]

我为从 RDD pii 和 pi 计算 PMI 而编写的任何代码都不漂亮。我的方法是首先将 RDD pii 展平，然后在按摩元组元素的同时加入 pi 两次。

val pmi = pii.map(x => (x._1._1, (x._1._2, x._1, x._2)))
             .join(pi).values
             .map(x => (x._1._1, (x._1._2, x._1._3, x._2)))
             .join(pi).values
             .map(x => (x._1._1, computePMI(x._1._2, x._1._3, x._2)))
// pmi: org.apache.spark.rdd.RDD[((String, String), Double)]
...
def computePMI(pab: Double, pa: Double, pb: Double) = {
  // handle boundary conditions, etc
  log(pab) - log(pa) - log(pb)
}

显然，这很糟糕。有没有更好的（惯用的）方法来做到这一点？ 注意：我可以通过将 log-probs 存储在 pi 和 pii 中来优化日志，但选择这种方式来保持问题清晰。

Answer 1

使用broadcast 将是一个解决方案。

val bcPi = pi.context.broadcast(pi.collectAsMap())
val pmi = pii.map {
  case ((x, y), pxy) =>
    (x, y) -> computePMI(pxy, bcPi.value.get(x).get, bcPi.value.get(y).get)
}

假设：pi 在pii 中包含所有x 和y。