cornac Document Lucene howto de regroupement?

Question

Je lis que je peux créer des vecteurs de Mahout à partir d'un indice de Lucene qui peut être utilisé pour appliquer les algorithmes de regroupement de cornac. http://cwiki.apache.org/confluence/display/ MAHOUT / + vecteurs + Création de + texte

Je voudrais appliquer K-means algorithme des documents dans mon index Lucene, mais on ne sait pas comment puis-je appliquer cet algorithme (ou classification hiérarchique) pour extraire des clusters significatifs avec ces documents.

Dans cette page http://cwiki.apache.org/confluence/ affichage / MAHOUT / k-means dit que l'algorithme accepte deux répertoires d'entrée: un pour les points de données et un pour les groupes initiaux. Mes points de données sont les documents? Comment puis-je « déclare » que ce sont mes documents (ou leurs vecteurs), les prendre simplement et faire le regroupement?

désolé à l'avance pour ma pauvre grammaire

Merci

Answer 1

Si vous avez des vecteurs, vous pouvez exécuter KMeansDriver. Voici l'aide pour le même.

Usage:
 [--input <input> --clusters <clusters> --output <output> --distance <distance>
--convergence <convergence> --max <max> --numReduce <numReduce> --k <k>
--vectorClass <vectorClass> --overwrite --help]
Options
  --input (-i) input                The Path for input Vectors. Must be a
                                    SequenceFile of Writable, Vector
  --clusters (-c) clusters          The input centroids, as Vectors.  Must be a
                                    SequenceFile of Writable, Cluster/Canopy.
                                    If k is also specified, then a random set
                                    of vectors will be selected and written out
                                    to this path first
  --output (-o) output              The Path to put the output in
  --distance (-m) distance          The Distance Measure to use.  Default is
                                    SquaredEuclidean
  --convergence (-d) convergence    The threshold below which the clusters are
                                    considered to be converged.  Default is 0.5
  --max (-x) max                    The maximum number of iterations to
                                    perform.  Default is 20
  --numReduce (-r) numReduce        The number of reduce tasks
  --k (-k) k                        The k in k-Means.  If specified, then a
                                    random selection of k Vectors will be
                                    chosen as the Centroid and written to the
                                    clusters output path.
  --vectorClass (-v) vectorClass    The Vector implementation class name.
                                    Default is SparseVector.class
  --overwrite (-w)                  If set, overwrite the output directory
  --help (-h)                       Print out help

Mise à jour: Obtenez le répertoire des résultats de HDFS à fs locales. Ensuite, utilisez l'utilitaire ClusterDumper pour obtenir le cluster et la liste des documents dans ce groupe.

Answer 2

Un très bon tutoriel est ici: intégration apache avec cornac apache Lucene

Answer 3

@ maiky Vous pouvez en savoir plus sur la lecture de la sortie et à l'aide de l'utilitaire clusterdump dans cette page -> https : //cwiki.apache.org/confluence/display/MAHOUT/Cluster+Dumper