Mahout fp-growth

FP-growth

Apriori算法的一个主要瓶颈在于，为了获得较长的频繁模式，需要生成大量的候选短频繁模式。FP-Growth算法是针对这个瓶颈提出来的全新的一种算法模式。目前，在数据挖掘领域，Apriori和FP-Growth算法的引用次数均位列三甲。参看论文《Mining Frequence PatternsWithout Candidate Generation》 。

FP的全称是Frequent Pattern，在算法中使用了一种称为频繁模式树（Frequent Pattern Tree）的数据结构。FP-tree是一种特殊的前缀树，由频繁项头表和项前缀树构成。所谓前缀树，是一种存储候选项集的数据结构，树的分支用项名标识，树的节点存储后缀项，路径表示项集。

一、算法流程

频繁集的阈值是3，最小支持度为3。

事务数据：

                                                

图（1）

首先，扫一遍数据，统计每一项的频率；删除频率小于最小支持度的项；根据项频率，由大到小排序。

然后再扫一遍数据，构造频繁项集树。构造树的流程如下。

读第一条记录：

图（2）

读第二条记录：

图（3）

读第三条记录：

图（4）

读第四条记录：

图（5）

读第五条记录：

图（6）

为了便于后边的树的遍历，我们为这棵树又增加了一个结构-头表，头表保存了所有的频繁项目，并且按照频率的降序排列，表中的每个项目包含一个节点链表，指向树中和它同名的节点。

图（7）

好了，一颗完整的FP-Tree构造完成。

二、挖掘频繁模式

图（8）

以m为例挖掘，以m结尾的有{f:4,c:3,a:3,m:2}和{f:4,c:3,a:3,b:1，m:1}两条路径。以m为条件，{f:4,c:3,a:3,m:2}得到{fca:2},{f:4,c:3,a:3,b:1，m:1}得到{fcab:1}。两项相加得到{fca:3,b:1},b不符合频繁项阈值3，所以，

mine(FPtree|m)=mine(<f:3,c:3,a:3>|m)。

其他以此类推，得到最终的结果，如下图。

图（9）

三、MapReduce实现

（一）流程图

Step1:item计数

 

 

 Map:

f:1 ,a:1 ,c;1,d:1,g:1,i:1,m:1,p:1

a:1,b:1,c:1,f:1,l:1,m:1,o:1

b:1,f;1 ,h;1,j;1,o:1

b:1,c:1,k:1,s:1,p:1

a:1,f;1,c:1,e:1,l:1,p:1,m:1,n:1

 Reduce:

f:4

c:4

a:3

m:3

P:3

Step2:删除最小支持度的item,特征排序

f,c,a,m,p

f,c,a,b,m

f,b

c,b,p

f,c,a,m,p

 

 

 

 

 

 

Step3:分组

1	f
	c
2	a
	b
3	m
	p

 

 

 

 

 

 

 

Step4:

Map:

f,c	{f, <c,a,m,p>:1} , {f,<c,a,b,m>:1}
a.b	{f,<b>:1}, {c, <b,p>:1}
m,p	{f,<c,a,m,p>:1}

Reduce:

f,{<c,a,m,p>:1, <c,a,b,m>:1, <b>:1, <c,a,m,p>:1}

c,{<b,p>:1}

Step5:

 

Map:

f,<c,a,m,p>:1	{p,<c,a,m,p>:1},{m,<c,a>:1},{a,<c,a>:1},{c,<c>:1}
f,<c,a,b,m>:1	{m,<c,a,b,m>:1},{b,<c,a,b>:1},{a,<c,a>:1},{c,<c>:1}
f,<b>:1	{b,<b>:1}
f,<c,a,m,p>:1	{p,<c,a,m,p>:1},{m,<c,a,m>:1},{a,<c,a>:1},{c,<c>:1}
c,<b,p>:1	{p,<b,p>:1},{b,<b>:1}

Reduce:

f,c	{c,<c>:3}
a,b	{a,<c,a>:3},{b,<c:1,a:1,b:3>}
m,p	{m,<c:3,a:3,b:1,m:3>},{p,<c；3，b:1,a:2,m:2,p:3>}

Step6:

	Map c (f:3,c:3) a (a:3,f:3,c:3) b m (m:3,f:3,c:3,a:3) p (f:3,c:3)

（二）startParallelCounting();

输入的是文本数据，key为行号，value为文本中的一行，分割。

第一遍扫数据集。Map中分割一行，然后计数，在reduce中求和。类似于WordCount实例。

（三）startGroupingItems();

（1）读取上一步的结果，删除Item数量<最小支持度的Item。

（2）将Item分组，默认分为50组。

（四）startTransactionSorting();

第二遍扫数据集。

 Map：分割一行数据，如果没有在特征集中的项，跳过。根据之前统计出的Item 特征的数量大小排序分割后的Item（由大到小排序）,组成 a[]。

输出格式为：key  a[0]，value  <a[a.length] ,1> 。1表示支持度为1。

Reduce: 排序号的相同前缀的项集（即a[0]相同），汇聚到同一个Reduce中。

输出格式为：1，<a[a.length] ,1>

（五）startParallelFPGrowth();

输入前一个Job的输出。

 Map:

setUp(){

从配置信息中获取Item的分组信息。

}

对<a[a.length] ,1>，计算子模式。

比如如对 ({a,b,c,d,e} ,1) ，输出为：

<groupId(e),({a,b,c,d,e}，1)>，

<groupId(d),({a,b,c,d}，1)>，

<groupId(c),({a,b,c}，1)>，

<groupId(b),({a,b}，1)>,

<groupId(a),({a}，1)>

Combier:

对相同组的key合并，构建一个子树。

输出为合并后的子树。

Reduce:

1.对相同组的key，做全局合并，构建一个子树。原理为树的合并算法。

2.对该组数据，构建Head-table，项排序顺序为它的数量由大到小。

3.对该组数据中的每一个Head-table特征，挖掘Top k个频繁模式，原理如图（8）。

4.输出：Text  key，TopKStringPatterns values 。Key为特征编号，value为该特征的Top k个频繁模式。

输出数据为：m,<{f,c,a},2>}和{m,<{f,c,a,b},1>}

（六）startAggregating();

Map:

输入数据为 {m,<{f,c,a},2>}和{m,<{f,c,a,b},1>}。

对数据{m,<{f,c,a},2>}，输出为{mf,<{f,c,a},2>}、{mc,<{f,c,a},2>}和{ma,<{f,c,a},2>}。

对数据{m,<{f,c,a,b},1>}，输出为{mf,<{f,c,a,b},1>}、{mc,<{f,c,a,b},1>}、     {ma,<{f,c,a,b},1>}、{mb,<{f,c,a,b},1>}

Reduce:

Map中相同key的频繁模式合并。

对上面数据，合并为{mf,<f:3,c:3,a:3,b:1>}或{mc,<f:3,c:3,a:3,b:1>}或{ma,<f:3,c:3,a:3,b:1>}或{mb,<f:1,c:1,a:1,b:1>}

过滤掉不满足阈值的项。结果为{m,<{f,c,a},3>}

四、API说明

API

FPGrowthDriver.main(arg);
--minSupport (-s)	最小支持度
--input (-i) input	输入路径
-output (-o)	输出路径
--maxHeapSize (-k)   (Optional)	挖掘最少k个item
--numGroups (-g)	特征分组数
--method (-method)	Sequential或mapreduce
--encoding (-e)	默认UTF-8
--numTreeCacheEntries (-tc)	缓存大小，默认5
--splitterPattern (-regex)	默认"[ ,\t]*[,|\t][ ,\t]*"

 

输入文件示例（文本文件）

f,g,d,e,b,c,a,j,k,h,i f,g,d,e,c,j,k,h,i f,d g,b,j,i g,e,a,k f,g,d,e,b,c,a,k,h,i f,g,d,b,c,j,k f,g,d,e,b,c,a,j,k,h,i f,b,j f,g,e,b,c,a,j,k,h,i f,g,b,c,k,h,i g,e,c,a,j,k,h,i f,g,e,c,k,i d

 

示例

String  [] arg ={"-s","5", "-i","fp/data.txt", "-o","fpgrowth" ,"-k","4", "-g","50", "-method","mapreduce", "-e","UTF-8", "-tc","5"}; FPGrowthDriver.main(arg);

输出格式

结果文件	Key类型	Value类型
frequentpatterns	Item (org.apache.hadoop.io.Text)	模式(org.apache.mahout.fpm.pfpgrowth.convertors.string.TopKStringPatterns)

 

输出文件转成文本结果

Key: a: Value: ([a],122), ([d, a],89), ([b, a],87), ([b, d, a],67) Key: b: Value: ([b],129), ([g, b],92), ([k, b],91), ([b, d],90) Key: c: Value: ([c],121), ([k, c],88), ([g, c],88), ([k, g, c],69) Key: d: Value: ([d],128), ([g, d],90), ([b, d],90), ([d, a],89) Key: e: Value: ([e],121), ([k, e],87), ([g, e],86), ([k, g, e],63) Key: f: Value: ([f],120), ([g, f],91), ([b, f],89), ([g, b, f],71) Key: g: Value: ([g],130), ([k, g],94), ([g, b],92), ([g, f],91) Key: h: Value: ([h],110), ([g, h],81), ([k, h],80), ([k, g, h],61) Key: i: Value: ([i],119), ([k, i],88), ([g, i],84), ([k, g, i],68) Key: j: Value: ([j],121), ([g, j],90), ([k, j],88), ([k, g, j],68) Key: k: Value: ([k],133), ([k, g],94), ([k, b],91), ([k, j],88)

 

五、参考文献

1.《MiningFrequent Patterns without Candidate Generation》JiaweiHan, Jian Pei, and Yiwen Yin

2.《FP-Growth 算法MapReduce 化研究》 吕雪骥,李龙澍

3.博客：http://blog.sina.com.cn/s/blog_6fb7db430100vdj7.html