我应该用什么来对200列1200万行的数据集执行相似性函数

Question

问题：
我有一个巨大的特征向量表。向量中的每个元素都由两个INTEGER组成。这里有一个例子：

-------------------------------------------------------------------------------
KEY |  VALUE
---------------------------------------------------------------------------------
    | f1    | f2    | f3    | f4    | f5       | f6       | f7    |  f8   | f9
---------------------------------------------------------------------------------
 1  | 13 42 |       | 546 43| 43 24 | 435  634 |          | 45  43|  4  5 | 5 647
 2  | 24 32 | 54 35 |       |       | 3124 32  | 454 3    | 4   5 |  12 1 |   
 3  | 3  1  | 54 32 |       | 43 24 |          | 31  2432 | 454 3 |  4  5 | 1 21    
---------------------------------------------------------------------------------

假设我有大约1200万个具有唯一键的行和大约200列（＝400个子列）。如您所见，如果该元素没有该功能，那么随机列中的值可能会丢失。

我想对照表查询X行（表中不存在），以找到前N个（N=10-20可能）最佳匹配，使用一些定制的相似性函数f（vector1，vector2），该函数将进行==检查，并返回考虑不同列匹配的不同权重的相似性得分。

问题：
就NoSQL数据库而言，您认为哪种实现最适合此目的？我想进行实时查询。我正在考虑将HBase与Hadoop（或者MongoDB与Hadoop，哪一个更好？）一起使用，并编写一个MapReduce作业来对每一行执行相似性函数并获得结果。我担心Hadoop的批处理主力是否能为我提供良好的实时性能（最长2秒）。我对Lucene没有太多经验——这在这里有什么用吗？

除此之外，关于如何避免进行全表MapReduce扫描并以某种方式优化它，有什么想法吗？

Answer 1

在收到几个朋友的建议后，我在ElasticSearch上查找了文档。这似乎是我用例的完美工具。它是为像这样的搜索/检索需求而构建的，碎片之类的东西，可以处理巨大的数据。以下是应该做的：

将每一行存储在文档中，关键元素是_id字段，每个f1、f2…字段作为不同的字段。可以使用增强字段功能来增加某些字段的相关性（基本上为它们分配更多的权重，基本上消除了对相似性函数的需要）。这甚至可以在查询时完成，因此允许用户根据用例分配权重。

以下是一个可能适用于此用例（未经测试）的示例查询：

{
  "query" : {
    "filtered" : {
        "and" : [
         {      
              "query" : {
                    "bool" : {
                         "should" : [
                              { "match" : { "f192" : { "boost" : 2,"query" : "232"} } },
                              { "match" : { "f16" : { "boost" : 1,"query" : "4324"} } },
                              { "match" : { "f25" : { "boost" : 0.2,"query" : "76783"} } },
                         ]
                    }
                }
         },
         {
              "exists" : { "field" : "f67" }
         }
       ]
    }
  }
}'