我正在浏览 Hadoop 中的专利数据示例。 您能否详细解释一下正在使用的数据集？
专利引用数据集
该数据集包含两列引用和被引专利。 引用列是指提交专利的所有者ID？ 引用列是指构成第二个数据集的关键的专利 ID？
专利描述数据集
该数据集中有多个字段。
为了形成这两个数据集的映射，第一个数据集中的 citing 或 cited 列在第二个数据集的第一列中具有相应的键（专利 em>)?
【问题讨论】：
标签： hadoop hadoop-streaming hadoop-partitioning
让我们先弄清楚一些与专利相关的术语。
什么是引用？
引文是一个文档链接在一起的文档 提到另一个具有相关内容
请参阅此link 以了解有关专利的更多信息:)
“专利引用数据集”——该数据集仅提及专利引用。
更像是说专利 A 使用专利 B、C 和 D
“引用”、“引用”
3858241,956203
3858241,1324234
3858241,3398406
3858241,3557384
3858241,3634889
3858242,1515701
3858242,3319261
3858242,3668705
3858242,3707004
从书中复制粘贴，因此此处专利号 3858242 引用（使用/引用）其他 4 项专利， 专利号 3858241 引用（使用/参考）其他 5 项专利
专利描述数据集 -- 有点像主表，它只是保存每个专利的数据。
希望这可以为您解决一些问题。
【讨论】：
我想在解决 HiA 书中的 Top K 记录时存在误解，在第 4.7 节中，它说： “前 K 条记录——更改 AttributeMax.py（或 AttributeMax.php）以输出整个记录，而不仅仅是最大值。重写它，使 MapReduce 作业输出具有前 K 值的记录，而不仅仅是最大值。”
要使用的输入数据集实际上是 apat63_99.txt 文件，并且练习要求具有前 K 值（CLAIMS）的记录，而不仅仅是最大值。正如清单 4.6 中描述的 AttributeMax.py 给出了最大声明的记录。
【讨论】：