Google App Engine 中多种数据存储类型上的 MapReduce

Question

我刚刚观看了 Batch使用 Google I/O 2010 的 App Engine 会议进行数据处理，请阅读 MapReduce 的部分内容来自 Google Research 的文章，现在我正在考虑使用 Google App Engine 上的 MapReduce< /a> 在 Python 中实现推荐系统。

我更喜欢使用 appengine-mapreduce 而不是 Task Queue API，因为前者可以轻松迭代某种类型的所有实例、自动批处理、自动任务链接等。问题是：我的推荐系统需要计算两个不同模型的实例之间的相关性，即两种不同类型的实例。

例子： 我有这两个模型：用户和项目。每个都有一个标签列表作为属性。以下是计算用户和项目之间相关性的函数。请注意，应该为用户和项目的每个组合调用 calculateCorrelation：

def calculateCorrelation(user, item):
    return calculateCorrelationAverage(u.tags, i.tags)

def calculateCorrelationAverage(tags1, tags2):
    correlationSum = 0.0
    for (tag1, tag2) in allCombinations(tags1, tags2):
        correlationSum += correlation(tag1, tag2)
    return correlationSum / (len(tags1) + len(tags2))

def allCombinations(list1, list2):
    combinations = []
    for x in list1:
        for y in list2:
            combinations.append((x, y))
    return combinations             

但是 calculateCorrelation 不是 appengine-mapreduce 中的有效映射器，并且该函数甚至可能与 MapReduce 不兼容计算概念。然而，我需要确定...拥有那些 appengine-mapreduce 优势（例如自动批处理和任务链接）对我来说真的很棒。

有什么解决方案吗？

我应该定义自己的 InputReader 吗？ 读取两种不同类型的所有实例的新 InputReader 与当前的 appengine-mapreduce 实现兼容吗？

或者我应该尝试以下操作？

• 将这两种实体的所有键两两组合到新模型的实例中（可能使用 MapReduce）
• 使用映射器对此新模型的实例进行
• 迭代每个实例，使用其中的键来获取两个不同类型的实体并计算它们之间的相关性。

Answer 1

根据 Nick Johnson 的建议，我编写了自己的 InputReader。该读取器从两种不同类型中获取实体。它生成包含这些实体的所有组合的元组。如下：

class TwoKindsInputReader(InputReader):
    _APP_PARAM = "_app"
    _KIND1_PARAM = "kind1"
    _KIND2_PARAM = "kind2"
    MAPPER_PARAMS = "mapper_params"

    def __init__(self, reader1, reader2):
        self._reader1 = reader1
        self._reader2 = reader2

    def __iter__(self):
        for u in self._reader1:
            for e in self._reader2:
                yield (u, e)

    @classmethod
    def from_json(cls, input_shard_state):
        reader1 = DatastoreInputReader.from_json(input_shard_state[cls._KIND1_PARAM])
        reader2 = DatastoreInputReader.from_json(input_shard_state[cls._KIND2_PARAM])

        return cls(reader1, reader2)

    def to_json(self):
        json_dict = {}
        json_dict[self._KIND1_PARAM] = self._reader1.to_json()
        json_dict[self._KIND2_PARAM] = self._reader2.to_json()
        return json_dict

    @classmethod
    def split_input(cls, mapper_spec):
        params = mapper_spec.params
        app = params.get(cls._APP_PARAM)
        kind1 = params.get(cls._KIND1_PARAM)
        kind2 = params.get(cls._KIND2_PARAM)
        shard_count = mapper_spec.shard_count
        shard_count_sqrt = int(math.sqrt(shard_count))

        splitted1 = DatastoreInputReader._split_input_from_params(app, kind1, params, shard_count_sqrt)
        splitted2 = DatastoreInputReader._split_input_from_params(app, kind2, params, shard_count_sqrt)
        inputs = []

        for u in splitted1:
            for e in splitted2:
                inputs.append(TwoKindsInputReader(u, e))

        #mapper_spec.shard_count = len(inputs) #uncomment this in case of "Incorrect number of shard states" (at line 408 in handlers.py)
        return inputs

    @classmethod
    def validate(cls, mapper_spec):
        return True #TODO

当您需要处理两种实体的所有组合时，应该使用此代码。您还可以将其推广到两种以上的实体。

这是 TwoKindsInputReader 的有效 mapreduce.yaml：

mapreduce:
- name: recommendationMapReduce
  mapper:
    input_reader: customInputReaders.TwoKindsInputReader
    handler: recommendation.calculateCorrelationHandler
    params:
    - name: kind1
      default: kinds.User
    - name: kind2
      default: kinds.Item
    - name: shard_count
      default: 16

Answer 2

如果没有您实际计算的更多细节，就很难知道应该推荐什么。一种简单的选择是简单地在映射调用中获取相关实体 - 没有什么可以阻止您在那里执行数据存储操作。

不过，这会导致很多小调用。正如您所建议的，编写自定义 InputReader 将允许您并行获取两组实体，这将显着提高性能。

如果您提供有关如何加入这些实体的更多详细信息，我们也许能够提供更具体的建议。