马上注册,结交更多好友,享用更多功能,让你轻松玩转社区。
您需要 登录 才可以下载或查看,没有账号?立即注册
x
谈到并行计算应用,会有人想到PageRank算法,我们有成千上万的网页分析链接关系确定排名先后,借助并行计算完成是一个很好的场景。长期以来,google的创始发明PageRank算法吸引了很多人学习研究,据说当年google创始者兴奋的找到yahoo公司,说他们找到一种更好的搜索引擎算法,但是被yahoo公司技术人员泼了冷水,说他们关心的不是更好的技术,而是搜索的盈利。后来google包装成了“更先进技术的新一代搜索引擎”的身份,逐渐取代了市场,并实现了盈利。 由于PageRank算法有非常高的知名度和普及度,我们接下来以PageRank算法为例讲述“并行计算+数据算法”的经典搭配,并且这种“海量数据并行处理、迭代多轮后收敛”的分析过程也跟其他的数据挖掘或者机器学习算法应用类似,能起到很好的参考作用。 下面是PageRank算法的公式:
我们其实可以直接阐述该公式本身,并介绍如何使用并行计算套用上面公式得到各网页的PageRank值,这样虽然通过并行计算方式完成了PageRank计算,但是大家仍然不明白上面的PageRank公式是怎么来的。 我们把这个PageRank算法公式先放在一边,看看一个赌钱的游戏:
有甲、乙、丙三个人赌钱,他们的输赢关系如下:
甲的钱输给乙和丙
乙的钱输给丙
丙的钱输给甲
例如,甲、乙、丙各有本钱100元,按照以上输赢关系,玩一把下来:
甲输给乙50元、输给丙50元
乙输给丙100元
丙输给甲100元 如果仅是玩一把的话很容易算出谁输谁赢
但如果他们几个维持这样的输赢关系,赢的钱又投进去继续赌,这样一轮一轮赌下去的话,最后会是什么样子呢? 我们可以写个单机程序看看,为了方便计算,初始本钱都设为1块钱,用x1,x2,x3代表甲、乙、丙:
double x1=1.0,x2=1.0,x3=1.0;
用x1_income,x2_income,x3_income代表每赌一把后各人赢的钱,根据输赢关系:
double x2_ income =x1/2.0;
double x3_ income =x1/2.0+x2;
double x1_ income =x3;
最后再把各人赢的钱覆盖掉本钱,继续往下算。完整程序如下: // Gamble单机程序 [/hide]
[/hide]
03 | public static double x1=1.0,x2=1.0,x3=1.0; | [/hide]
[/hide]
05 | public static void playgame(){ | [/hide]
06 | double x2_income=x1/2.0; | [/hide]
07 | double x3_income=x1/2.0+x2; | [/hide]
[/hide]
[/hide]
[/hide]
[/hide]
12 | System.out.println("x1:"+x1+", x2:"+x2+", x3:"+x3); | [/hide]
[/hide]
[/hide]
15 | public static void main(String[] args){ | [/hide]
16 | for(int i=0;i<500;i++){ | [/hide]
17 | System.out.print("第"+i+"轮 "); | [/hide]
[/hide]
[/hide]
[/hide]
[/hide]
我们运行500轮后,看到结果如下:
我们发现,从107轮后,各人的输赢结果就一直是
x1:1.2000000000000002, x2:0.6000000000000001, x3:1.2000000000000002
…...
可能你都没想到会有这么个规律,这样一直赌下去,虽然各人每轮有输有赢,但是多轮后的输赢结果居然保持平衡,维持不变了。用技术术语来说就是多轮迭代后产生了收敛,用俗话来讲,就是玩下去甲和丙是不亏的,乙不服输再继续赌下去,也不会有扳本的机会的。
我们再把输赢关系稍微改一下:丙的钱输给甲和乙
double x2_income=x1/2.0+x3/2.0;
double x3_income=x1/2.0+x2;
double x1_income=x3/2.0; 运行10000轮后,发现又收敛了:
x1:0.6666666666666667, x2:1.0, x3:1.3333333333333333
…
不过这次就变成了“甲是输的,乙保本,丙是赢的”,我们发现收敛的结果可用于排名,如果给他们做一个赌王排名的话,很显然:“丙排第一,乙第二、甲第三”。 那么这样的收敛是在所有情况下都会发生吗,什么情况不会收敛呢?
我们回过头观察上面的输赢关系,甲、乙、丙三人互相各有输赢,导致钱没有流走,所以他们三人才一直可以赌下去,如果把输赢关系改一下,让甲只输钱,不赢钱,如下:
double x2_income=x1/2.0+x3/2.0;
double x3_income=x1/2.0+x2;
double x1_income=0; 那么运行下来会是什么结果呢?
我们发现很多轮后,全部为0了。我们分析一下过程,第一轮后,甲的钱就输光了,没有赢得一分钱。但是乙和丙各有输赢,他们一直赌到2000多轮时,乙的钱全部输光了,甲乙都没钱投进来赌了,导致丙再也赢不到钱了,最后所有人结果都变为0了。 我们再分析一下输赢关系,甲的钱全部输给丙和乙后,丙跟乙赌,赢的多输的少,于是所有的钱慢慢都被丙赢走了,导致最后无法维持一个平衡的输赢结果。因此,如果我们要维持平衡和收敛,必须保证赢了钱的人不准走,必须又输给别人才行,让钱一直在三人圈里转不流失。换句话说,如果存在某人只输不赢,那么这个游戏就玩不下去。 赌钱游戏讲完了,我们再看看PageRank算法的公式:
上面的L(B)代表页面B指向其他页面的连接数,我们举个例子: 假设有A、B、C三张网页,他们的链接关系如下:
A包含B和C的链接
B包含C的链接
C包含A的链接 根据上面的公式,得到各网页PR值如下:
PR(B)=PR(A)/2;
PR(C)=PR(A)/2+PR(B);
PR(A)=PR(C); 可以回过头对照一下,把A、B、C改成甲、乙、丙就是上面举的赌钱游戏例子。 那么q是干吗的?公式里的q叫做逃脱因子,名字很抽象,目的就是用于解决上面赌钱游戏中“只输不赢”不收敛的问题,1-q会保证其中一个PR值为0时计算下来不会全部为0,那么加了这么一个(…)*q+1-q的关系后,整体的PR值会变化吗? 当每个页面的初始PR值为1时,0<=q<=1(计算时通常取值0.8),我们把所有页面的PR值相加看看,假设有n张网页: 1 | PR(x1)+ PR(x2)+ …+PR(xn) | [/hide]
2 | =( (PR(x2)/ L(x2)+ … )*q+1-q) + … + ( (PR(x1)/ L(x1)+ … )*q+1-q) | [/hide]
3 | =(PR(x1)* L(x1)/L(x1) + PR(x2)* L(x2)/L(x2) + … + PR(xn)* L(xn)/L(xn))q + n(1-q) | [/hide]
4 | =( PR(x1) + PR(x2) + … + PR(xn))*q + n - n*q | [/hide]
[/hide]
[/hide]
由于初始PR值为1,所以最后所有页面的PR值相加结果还是为n,保持不变,但是加上(…)*q+1-q的关系后,就避免了PR值为0可以寻求收敛进行排序。 当然实际应用中,这个公式还可以设计的更复杂,并可以通过高等代数矩阵旋转求解,我们这里只是为了理解原理,并不是为了做搜索算法,所以就不再深入下去了。 总结:世界的很多东西都是零和游戏,就像炒股,股民赚的钱也就是机构亏的钱,机构赚的钱也就是股民亏的钱,也许股民们应该研究一下PageRank算法,看看股市起起落落的背后是不是收敛了,收敛了说明炒下去永远别想解套,而且机构永远不会亏。 如何使用并行计算方式求PR值:
我们这里通过fourinone提供的各种并行计算模式去设计,思路方法可以有很多种。
第一次使用可以参考分布式计算上手demo指南,开发包下载地址:http://code.google.com/p/fourinone/ 思路一:可以采取工人互相合并的机制(工人互相合并及receive使用可参见sayhello demo),每个工人分析当前网页链接,对每个链接进行一次PR值投票,通过receive直接投票到该链接对于网页所在的工人机器上,这样经过一轮工人的互相投票,然后再统计一下本机器各网页所得的投票数得到新的PR值。但是这种方式,对于每个链接投票,都要调用一次receive到其他工人机器,比较耗用带宽,网页数量庞大链接众多时要调用很多次receive,导致性能不高。 思路二:由于求PR值的特点是输入数据大,输出数据小,也就是网页成千上万占空间多,但是算出来的PR值占空间小,我们姑且用内存可以装下。因此我们优先考虑每个工人统计各自机器上的网页,计算各链接对应网页的所得投票,然后返回工头统一合并得到各网页的PR值。可以采用最基本的“总—分—总”并行计算模式实现(请参考分布式计算上手demo指南)。
并行计算的拆分和合并设计如下:
可以看到:
工人负责统计各自机器上网页的各个链接的PR得票。
工头负责合并累加得到各链接对应网页的新PR值,并迭代计算。 程序实现:
PageRankWorker:是一个PageRank工人实现,为了方便演示,它通过一个字符串数组代表包括的链接(实际上应该从本地网页文件里获取)
links = new String[]{"B","C"};
然后对链接集合中的每个链接进行PR投票
for(String p:links)
outhouse.setObj(p, pr/links.length); PageRankCtor:是一个PageRank包工头实现,它将A、B、C三个网页的PageRank初始值设置为1.00,然后通过doTaskBatch进行阶段计算,doTaskBatch提供一个栅栏机制,等待每个工人计算完成才返回,工头将各工人返回的链接投票结果合并累加:
pagepr = pagepr+(Double)prwh.getObj(page);
得到各网页新的PR值(这里取q值为1进行计算),然后连续迭代500轮计算。 运行步骤:
1、 启动ParkServerDemo(它的IP端口已经在配置文件指定)
java -cp fourinone.jar; ParkServerDemo
2、运行A、B、C三个PageRankWorker,传入不同的IP和端口号
java -cp fourinone.jar; PageRankWorker localhost 2008 A
java -cp fourinone.jar; PageRankWorker localhost 2009 B
java -cp fourinone.jar; PageRankWorker localhost 2010 C
3、运行PageRankCtor
java -cp fourinone.jar; PageRankCtor
我们可以看到跟开始的单机程序的结果是一样的,同时各工人窗口依次输出了各自的PR值:
完整demo源码如下:
// ParkServerDemo 1 | import com.fourinone.BeanContext; | [/hide]
2 | public class ParkServerDemo | [/hide]
[/hide]
4 | public static void main(String[] args) | [/hide]
[/hide]
6 | BeanContext.startPark(); | [/hide]
[/hide]
[/hide]
// PageRankWorker 01 | import com.fourinone.MigrantWorker; | [/hide]
02 | import com.fourinone.WareHouse; | [/hide]
03 | import com.fourinone.Workman; | [/hide]
[/hide]
05 | public class PageRankWorker extends MigrantWorker | [/hide]
[/hide]
07 | public String page = null; | [/hide]
08 | public String[] links = null; | [/hide]
[/hide]
10 | public PageRankWorker(String page, String[] links){ | [/hide]
[/hide]
[/hide]
[/hide]
[/hide]
15 | public WareHouse doTask(WareHouse inhouse) | [/hide]
[/hide]
17 | Double pr = (Double)inhouse.getObj(page); | [/hide]
18 | System.out.println(pr); | [/hide]
[/hide]
20 | WareHouse outhouse = new WareHouse(); | [/hide]
[/hide]
22 | outhouse.setObj(p, pr/links.length);//对包括的链接PR投票 | [/hide]
[/hide]
[/hide]
[/hide]
[/hide]
27 | public static void main(String[] args) | [/hide]
[/hide]
29 | String[] links = null; | [/hide]
30 | if(args[2].equals("A")) | [/hide]
31 | links = new String[]{"B","C"};//A页面包括的链接 | [/hide]
32 | else if(args[2].equals("B")) | [/hide]
33 | links = new String[]{"C"}; | [/hide]
34 | else if(args[2].equals("C")) | [/hide]
35 | links = new String[]{"A"}; | [/hide]
[/hide]
37 | PageRankWorker mw = new PageRankWorker(args[2],links); | [/hide]
38 | mw.waitWorking(args[0],Integer.parseInt(args[1]),"pagerankworker"); | [/hide]
[/hide]
[/hide]
// PageRankCtor view source
print?
01 | import com.fourinone.Contractor; | [/hide]
02 | import com.fourinone.WareHouse; | [/hide]
03 | import com.fourinone.WorkerLocal; | [/hide]
04 | import java.util.Iterator; | [/hide]
[/hide]
06 | public class PageRankCtor extends Contractor | [/hide]
[/hide]
08 | public WareHouse giveTask(WareHouse inhouse) | [/hide]
[/hide]
10 | WorkerLocal[] wks = getWaitingWorkers("pagerankworker"); | [/hide]
11 | System.out.println("wks.length:"+wks.length); | [/hide]
[/hide]
13 | for(int i=0;i<500;i++){//500轮 | [/hide]
14 | WareHouse[] hmarr = doTaskBatch(wks, inhouse); | [/hide]
15 | WareHouse prwh = new WareHouse(); | [/hide]
16 | for(WareHouse result:hmarr){ | [/hide]
17 | for(Iterator iter=result.keySet().iterator();iter.hasNext();){ | [/hide]
18 | String page = (String)iter.next(); | [/hide]
19 | Double pagepr = (Double)result.getObj(page); | [/hide]
20 | if(prwh.containsKey(page)) | [/hide]
21 | pagepr = pagepr+(Double)prwh.getObj(page); | [/hide]
22 | prwh.setObj(page,pagepr); | [/hide]
[/hide]
[/hide]
[/hide]
26 | System.out.println("No."+i+":"+inhouse); | [/hide]
[/hide]
[/hide]
[/hide]
[/hide]
31 | public static void main(String[] args) | [/hide]
[/hide]
33 | PageRankCtor a = new PageRankCtor(); | [/hide]
34 | WareHouse inhouse = new WareHouse(); | [/hide]
35 | inhouse.setObj("A",1.00d);//A的pr初始值 | [/hide]
36 | inhouse.setObj("B",1.00d);//B的pr初始值 | [/hide]
37 | inhouse.setObj("C",1.00d);//C的pr初始值 | [/hide]
[/hide]
[/hide]
[/hide]
[/hide]
|