MapReduce для нескольких видов хранилищ данных в Google App Engine - PullRequest
Новая
       36

MapReduce для нескольких видов хранилищ данных в Google App Engine

6 голосов
/ 22 сентября 2010

Я только что наблюдал Пакетная обработка данных с помощью сеанса App Engine Google I / O 2010 , прочитал некоторые части статьи MapReduce из Google Research и теперь я думаю использовать MapReduce в Google App Engine для реализации системы рекомендаций в Python.

Я предпочитаю использовать appengine-mapreduce вместо API очереди задач, потому что первый предлагает легкую итерацию для всех экземпляров какого-либо вида, автоматическое пакетирование, автоматическое объединение задач и т. Д. Проблема заключается в том, что моя система рекомендаций должна рассчитывать корреляцию между экземплярами две разные модели, т. е. экземпляры двух разных видов.

Пример: У меня есть эти две модели: пользователь и элемент. Каждый из них имеет список тегов в качестве атрибута. Ниже приведены функции для расчета корреляции между пользователями и предметами. Обратите внимание, что calculateCorrelation следует вызывать для каждой комбинации пользователей и элементов: 

def calculateCorrelation(user, item):
    return calculateCorrelationAverage(u.tags, i.tags)

def calculateCorrelationAverage(tags1, tags2):
    correlationSum = 0.0
    for (tag1, tag2) in allCombinations(tags1, tags2):
        correlationSum += correlation(tag1, tag2)
    return correlationSum / (len(tags1) + len(tags2))

def allCombinations(list1, list2):
    combinations = []
    for x in list1:
        for y in list2:
            combinations.append((x, y))
    return combinations

Но calculateCorrelation не является допустимым Mapper в appengine-mapreduce, и, возможно, эта функция даже не совместима с концепцией вычисления MapReduce. Тем не менее, я должен быть уверен ... для меня было бы здорово иметь такие преимущества appengine-mapreduce, как автоматическое пакетирование и цепочка задач.

Есть ли какое-то решение для этого?

Должен ли я определить свой собственный InputReader? Новый InputReader, который читает все экземпляры двух разных типов, совместим с текущей реализацией appengine-mapreduce?

Или я должен попробовать следующее?

  • Объедините все ключи всех сущностей этих двух типов, два за двумя, в экземпляры новой Модели (возможно, с использованием MapReduce)
  • Выполните итерацию с использованием картографов для экземпляров этой новой модели
  • Для каждого экземпляра используйте ключи внутри него, чтобы получить два разных типа объектов и вычислить корреляцию между ними.

Ответы [ 2 ]

3 голосов
/ 20 октября 2010

Следуя совету Ника Джонсона, я написал свой InputReader.Этот читатель выбирает объекты двух разных типов.Это дает кортежи со всеми комбинациями этих объектов.Вот он: 

class TwoKindsInputReader(InputReader):
    _APP_PARAM = "_app"
    _KIND1_PARAM = "kind1"
    _KIND2_PARAM = "kind2"
    MAPPER_PARAMS = "mapper_params"

    def __init__(self, reader1, reader2):
        self._reader1 = reader1
        self._reader2 = reader2

    def __iter__(self):
        for u in self._reader1:
            for e in self._reader2:
                yield (u, e)

    @classmethod
    def from_json(cls, input_shard_state):
        reader1 = DatastoreInputReader.from_json(input_shard_state[cls._KIND1_PARAM])
        reader2 = DatastoreInputReader.from_json(input_shard_state[cls._KIND2_PARAM])

        return cls(reader1, reader2)

    def to_json(self):
        json_dict = {}
        json_dict[self._KIND1_PARAM] = self._reader1.to_json()
        json_dict[self._KIND2_PARAM] = self._reader2.to_json()
        return json_dict

    @classmethod
    def split_input(cls, mapper_spec):
        params = mapper_spec.params
        app = params.get(cls._APP_PARAM)
        kind1 = params.get(cls._KIND1_PARAM)
        kind2 = params.get(cls._KIND2_PARAM)
        shard_count = mapper_spec.shard_count
        shard_count_sqrt = int(math.sqrt(shard_count))

        splitted1 = DatastoreInputReader._split_input_from_params(app, kind1, params, shard_count_sqrt)
        splitted2 = DatastoreInputReader._split_input_from_params(app, kind2, params, shard_count_sqrt)
        inputs = []

        for u in splitted1:
            for e in splitted2:
                inputs.append(TwoKindsInputReader(u, e))

        #mapper_spec.shard_count = len(inputs) #uncomment this in case of "Incorrect number of shard states" (at line 408 in handlers.py)
        return inputs

    @classmethod
    def validate(cls, mapper_spec):
        return True #TODO

Этот код следует использовать, когда вам нужно обработать все комбинации сущностей двух видов. Вы также можете обобщить это для более чем двух видов.

Вот это действительный mapreduce.yaml для TwoKindsInputReader: 

mapreduce:
- name: recommendationMapReduce
  mapper:
    input_reader: customInputReaders.TwoKindsInputReader
    handler: recommendation.calculateCorrelationHandler
    params:
    - name: kind1
      default: kinds.User
    - name: kind2
      default: kinds.Item
    - name: shard_count
      default: 16
2 голосов
/ 22 сентября 2010

Трудно понять, что порекомендовать, без более подробной информации о том, что вы на самом деле рассчитываете. Один простой вариант - просто извлечь связанную сущность из вызова карты - ничто не мешает вам выполнять там операции с хранилищем данных.

Это приведет к множеству небольших звонков. Как вы предлагаете, написание пользовательского InputReader позволит вам извлекать оба набора сущностей параллельно, что значительно улучшит производительность.

Если вы дадите более подробную информацию о том, как вам нужно присоединиться к этим организациям, мы сможем предоставить более конкретные предложения.

...