社区发现

这是一次课程作业，实现有点粗糙。有更好的方案，欢迎交流。

我们需要评估每两个用户之间的相似度，以此来发现社区。现在我们以每对用户的共同关注人数量作为评估标准。

原始数据格式：

关注人_id:粉丝_1_id 粉丝_2_id

希望得到的输出格式是

用户_id:相似的人_1_id 相似的人_2_id

 

使用两次mapreduce 过程

 

第一次

输入格式:followee_1_id:follower_1_id follower_2_id follower_3_id

map:将后面的粉丝两两配对，并输出。key为 id-id 的形式，value为1，表示这对用户有一个共同好友

reduce: 类似wordcount，将相同key的value加起来

第二次

map:读取并切分，比如将 a-b 4 分为 a b 4 和 b a 4

reduce:将同一键的值合并到列表中, 并按相反的顺序对其进行排序。然后输出格式是 user_2:similiar_person_1 similiar_person_2 ...

此处只排出前十人。

 

代码：

https://github.com/londist/community-dectection

数据集：

small scale dataset https://www.dropbox.com/s/ntzk80l5iiiuh50/small%20dataset.txt?dl=0 

medium scale dataset https://www.dropbox.com/s/6sxnnadhxbyk7ho/medium%20dataset.txt?dl=0 

large scale dataset https://www.dropbox.com/s/lrlgz50m88j6fpc/large%20dataset.txt?dl=0