MapReduce案例-好友推荐
用过各种社交平台(如QQ、微博、朋友网等等)的小伙伴应该都知道有一个叫 "可能认识" 或者 "好友推荐" 的功能(如下图)。它的算法主要是根据你们之间的共同好友数进行推荐,当然也有其他如爱好、特长等等。共同好友的数量越多,表明你们可能认识,系统便会自动推荐。今天我将向大家介绍如何使用MapReduce计算共同好友
算法
假设有以下好友列表,A的好友有B,C,D,F,E,O; B的好友有A,C,E,K 以此类推
那我们要如何算出A-O用户每个用户之间的共同好友呢?
A:B,C,D,F,E,O
B:A,C,E,K
C:F,A,D,I
D:A,E,F,L
E:B,C,D,M,L
F:A,B,C,D,E,O,M
G:A,C,D,E,F
H:A,C,D,E,O
I:A,O
J:B,O
K:A,C,D
L:D,E,F
M:E,F,G
O:A,H,I,J
下面我们将演示分步计算,思路主要如下:先算出某个用户是哪些用户的共同好友,
如A是B,C,D,E等的共同好友。遍历B,C,D,E两两配对如(B-C共同好友A,注意防止重复B-C,C-B)作为key放松给reduce端,
这样reduce就会收到所有B-C的共同好友的集合。可能到这里你还不太清楚怎么回事,下面我给大家画一个图。
代码演示
由上可知,此次计算由两步组成,因此需要两个MapReduce程序先后执行
第一步:通过mapreduce得到 某个用户是哪些用户的共同好友。
public class FriendsDemoStepOneDriver {
static class FriendsDemoStepOneMapper extends Mapper<LongWritable, Text, Text, Text> {
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String line = value.toString();
String[] split = line.split(":");
String user = split[0];
String[] friends = split[1].split(",");
for (String friend : friends) {
// 输出友人,人。 这样的就可以得到哪个人是哪些人的共同朋友
context.write(new Text(friend),new Text(user));
}
}
}
static class FriendsDemoStepOneReducer extends Reducer<Text,Text,Text,Text>{
@Override
protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
StringBuilder sb = new StringBuilder();
for (Text person : values) {
sb.append(person+",");
}
context.write(key,new Text(sb.toString()));
}
}
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
Configuration conf = new Configuration();
conf.set("mapreduce.framework.name","local");
conf.set("fs.defaultFS","file:///");
Job job = Job.getInstance(conf);
job.setJarByClass(FriendsDemoStepOneDriver.class);
job.setMapperClass(FriendsDemoStepOneMapper.class);
job.setReducerClass(FriendsDemoStepOneReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
FileInputFormat.setInputPaths(job,new Path("/Users/kris/Downloads/mapreduce/friends/friends.txt"));
FileOutputFormat.setOutputPath(job,new Path("/Users/kris/Downloads/mapreduce/friends/output"));
boolean completion = job.waitForCompletion(true);
System.out.println(completion);
}
}
运行的到的结果如下:
由图可见:I,K,C,B,G,F,H,O,D都有好友A;A,F,J,E都有好友B。接下来我们只需组合这些拥有相同的好友的用户,
作为key发送给reduce,由reduce端聚合d得到所有共同的好友
/**
* 遍历有同个好友的用户的列表进行组合,得到两人的共同好友
*/
public class FriendsDemoStepTwoDriver {
static class FriendDemoStepTwoMapper extends Mapper<LongWritable, Text, Text, Text> {
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String line = value.toString();
String[] split = line.split("\t");
String friend = split[0];
String[] persons = split[1].split(",");
Arrays.sort(persons);
for (int i = 0; i < persons.length-1; i++) {
for (int i1 = i+1; i1 < persons.length; i1++) {
context.write(new Text(persons[i]+"--"+persons[i1]),new Text(friend));
}
}
}
}
static class FriendDemoStepTwoReducer extends Reducer<Text, Text, Text, Text> {
@Override
protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
StringBuilder sb = new StringBuilder();
for (Text friend : values) {
sb.append(friend + ",");
}
context.write(key,new Text(sb.toString()));
}
}
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {
Configuration conf = new Configuration();
conf.set("mapreduce.framework.name","local");
conf.set("fs.defaultFS","file:///");
Job job = Job.getInstance(conf);
job.setJarByClass(FriendsDemoStepOneDriver.class);
job.setMapperClass(FriendDemoStepTwoMapper.class);
job.setReducerClass(FriendDemoStepTwoReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
FileInputFormat.setInputPaths(job,new Path("/Users/kris/Downloads/mapreduce/friends/output"));
FileOutputFormat.setOutputPath(job,new Path("/Users/kris/Downloads/mapreduce/friends/output2"));
boolean completion = job.waitForCompletion(true);
System.out.println(completion);
}
}
得到的结果如下:
如图,我们就得到了拥有共同好友的用户列表及其对应关系,在实际场景中再根据用户关系(如是否已经是好友)进行过滤,在前端展示,就形成了我们所看到"可能认识"或者"好友推荐"啦~
今天给大家分享的好友推荐算法就是这些,今天的只是一个小小的案例,现实场景中的运算肯定要比这个复杂的多,
但是思路和方向基本一致,如果有更好的建议或算法,欢迎与小吴一起讨论喔~
如果您喜欢这篇文章的话记得like,share,comment喔(^^)