Mahout 聚类：使用 seqdumper 检索命名向量的名称时出错答案

【问题标题】：Mahout clustering: Error in retrieving the name of a named vector using seqdumperMahout 聚类：使用 seqdumper 检索命名向量的名称时出错
【发布时间】：2016-10-11 02:23:06
【问题描述】：

我正在使用 mahout 在包含 12 个文档的目录上进行 k-means 聚类，并借助以下命令：

mahout seq2sparse -i /user/manisha1414/dir_001-seqfiles -o /user/manisha1414/dir_001-vectors --maxDFPercent 85 --namedVector
mahout seqdumper -i /user/manisha1414/dir_001-kmeans-clusters/clusteredPoints/part-m-00000 > ./dir_001-cluster-docs.txt

我得到以下输出

Key: 0: Value: wt: 1.0 distance: 47.44299700930014  vec: [{"0":2.386},{"2":1.875},{"9":2.386},{"14":2.386......... 
Key: 11: Value: wt: 1.0 distance: 217.4603558919857  vec: [{"0":2.386},{"2":1.875},{".........

我在上面的输出中没有得到矢量 ID。

请帮助我在输出中也获取矢量 ID！

【问题讨论】：

标签： k-means mahout

【解决方案1】：

在将序列文件转换为矢量时使用“--namedVector true”。

【讨论】：

【解决方案2】：

当我尝试这个时，seqdumper 没有包含命名向量。除了设置 --namedVector 之外，解决方法是使用 clusterdump。输出格式需要使用 '-of CSV' 设置，因为默认的文本输出格式也不保存命名向量。

mahout clusterdump -d /user/manisha1414/docs-vectors/dictionary.file-0 -i /user/manisha1414/dir_001-kmeans-clusters/clusters-3-final -o clusters.csv -p /user/manisha1414/dir_001-kmeans-clusters/clusteredPoints -dt sequencefile -b 100 -n 20 -of CSV --evaluate

Mohammad 在How to read Mahout clustering output 中指出了这一点

【讨论】：