Spark下的并行多标签最近邻算法

　　随着大数据时代的到来，大规模多标签数据挖掘方法受到广泛关注。多标签最近邻算法ML_KNN是一种简单高效、应用广泛的多标签分类方法，其分类精度在很多应用中都高于其他常见的多标签学习方法。然而随着需要处理的数据规模越来越大，传统串行ML-KNN算法已经难以满足大数据应用中时间和存储空间上的限制。结合Spark的并行机制和其基于内存的迭代计算特点，提出了一种基于Spark并行框架的ML_KNN算法SML-KNN。在Map阶段分别找到待预测样本每个分区的K近邻，随后Reduce阶段根据每个分区的近邻集合确定最终的K近邻，最后并行地对近邻的标签集合进行聚合，通过最大化后验概率准则输出待预测样本的目标标签集合。串行和并行环境下的对比实验结果表明，SML_KNN在保证分类精度的前提下性能与计算资源呈近似线性关系，提高了ML_KNN算法对大规模多标签数据的处理能力。