1

我想通过将文档切割成块来查找其他文档之间的相似性大于给定值（0.1）的文档。 

library(tm)
data("crude")

sample.dtm <- DocumentTermMatrix(
                    crude, control=list(
                        weighting=function(x) weightTfIdf(x, normalize=FALSE),
                        stopwords=TRUE
                    )
                )

step = 5
n = nrow(sample.dtm)
block = n %/% step 
start = (c(1:block)-1)*step+1
end = start+step-1


j = unlist(lapply(1:(block-1),function(x) rep(((x+1):block),times=1)))
i = unlist(lapply(1:block,function(x) rep(x,times=(block-x))))

ij <- cbind(i,j)

library(skmeans)

getdocs <- function(k){
    ci <- c(start[k[[1]]]:end[k[[1]]])
    cj <- c(start[k[[2]]]:end[k[[2]]])
    combi <- sample.dtm[ci]
    combj < -sample.dtm[cj]

    rownames(combi)<-ci
    rownames(combj)<-cj

    comb<-c(combi,combj)
    sim<-1-skmeans_xdist(comb)

    cat("Block", k[[1]], "with Block", k[[2]], "\n")
    flush.console()

    tri.sim<-upper.tri(sim,diag=F)
    results<-tri.sim & sim>0.1

    docs<-apply(results,1,function(x) length(x[x==TRUE]))
    docnames<-names(docs)[docs>0]

    gc()
    return (docnames)

}

使用 apply 时效果很好

system.time(rmdocs<-apply(ij,1,getdocs))

使用 parRapply 时

library(snow)
library(skmeans)
cl<-makeCluster(2)
clusterExport(cl,list("getdocs","sample.dtm","start","end"))
system.time(rmdocs<-parRapply(cl,ij,getdocs))

错误：

 Error in checkForRemoteErrors(val) : 
      2 nodes produced errors; first error: attempt to set 'rownames' on an object with no dimensions
    Timing stopped at: 0.01 0 0.04

似乎在 parRapply 中无法使用 sample.dtm。我很困惑。谁能帮我？谢谢！

4

1 回答 1

1

除了导出对象外，您还需要在集群工作人员上加载必要的包。在您的情况下，不这样做的结果是没有dimnames为“DocumentTermMatrix”对象定义方法，导致rownames<-失败。

您可以使用以下功能在集群工作人员上加载包clusterEvalQ：

clusterEvalQ(cl, { library(tm); library(skmeans) })

这样做后，rownames(combi)<-ci将正常工作。

此外，如果您想查看 的输出cat，您应该使用 makeClusteroutfile参数：

cl <- makeCluster(2, outfile='')
于 2013-09-23T14:47:06.450 回答