为庞大的数据集寻找共同的朋友

Posted

技术标签:

【中文标题】为庞大的数据集寻找共同的朋友【英文标题】:Finding mutual friends for a huge dataset 【发布时间】:2017-10-24 00:20:04 【问题描述】:

我有一个庞大的表单数据集 userId 跟随 userId

1 -> 2(即)1 跟随 2

1 -> 3

3 -> 5

2 -> 3

这个想法是我想知道两个人有多少共同关注者 比如上例中,用户 1 和用户 2 的相互关注者数量为 1,因为(用户 1 和用户 2 都关注用户 3)

为庞大的数据集实现它的最佳方法是什么。通过用户 ID 进行简单收集,然后执行连接是行不通的。我正在考虑使用一些图表方法。

【问题讨论】:

如果这是一个面试问题,那么你可能应该自己完成。 :-) 【参考方案1】:

假设您有一个表示为邻接列表的图形。你在这个图get a list of the neighbors of a given vertex上有一个操作。顶点 P1 是第一人称,顶点 P2 - 第二人称。现在你可以做下一步(应该使用散列集进行快速交集):

p1_follows = HashSet(neighbors(P1))
p2_follows = neighbors(P2);
mutual_followers = p1_follows.intersect(p2_follows)

如果您使用GraphFrame,您可以使用Motif finding - 这是一个示例Motif Finding: Counting Mutual Friends。

【讨论】:

以上是关于为庞大的数据集寻找共同的朋友的主要内容,如果未能解决你的问题,请参考以下文章

对庞大的数据集进行排序

Spark 2.2 排序失败,数据集庞大

如何在 pytorch 中处理大型数据集

优化解决方案以在大型数据集上找到共同的第三个

如何在 R 中操作庞大的数据集?

为 NLP 聚类/主题建模寻找一个好的数据集