有一个从文本创建 Mahout Vector 对象的示例。它说：
在创建向量之前，您需要将文档转换为 SequenceFile 格式。SequenceFile 是一个 hadoop 类，它允许我们将任意键值对写入其中。DocumentVectorizer 要求键是具有唯一文档 ID 的文本，值是 UTF-8 格式的文本内容。
这有点清楚，因为我知道 SequenceFile 是什么。然而，对于所有 Mahout 算法（聚类、分类等），内容实际上是一个词袋（或 n-gram）。值是否被视为空格分隔？
更重要的是，我实际上想对非文本的内容进行聚类。例如，假设我有用户以空格分隔格式对电影进行评分：
user1 movie_11 5
user1 movie_12 4
..
user2 movie_21 1
user2 movie_22 5
..
假设我想对电影进行聚类。我可以将用户视为“文档”（电影分组），将电影视为“单词”。我如何将这些评级转换为矢量文件？我可以将其转换为arff（还不确定如何）并使用 Mahout 的arff.vector。有没有一个更简单的实用程序，只需要文档到单词的关联（或计数）并制作向量？
不必将 1 亿个评级作为 ARFF 放在磁盘上只是为了将其放入序列文件中，而只是为了将其放入向量中，这将是很方便的。