Dávají doporučení smysl

Teď, když víme, jak dobře náš model fungoval, a máme důvod věřit, že bude uživatelům poskytovat relevantní doporučení, podíváme se přímo na konkrétní doporučení a posoudíme, jestli dávají smysl.

Původní data hodnocení jsou k dispozici jako original_ratings. Prohlédni si původní hodnocení uživatele 60 a uživatele 63 a porovnej je s tím, co jim ALS doporučil. Jsou podle tebe doporučení v souladu s jejich původními preferencemi?

Toto cvičení je součástí kurzu

Tvorba doporučovacích systémů s PySparkem

Zobrazit kurz

Pokyny k cvičení

Použij .filter() na dataframu original_ratings tak, aby col("userId") bylo rovno 60, a podívej se na původní hodnocení uživatele 60. Zavolej metodu .sort() pro seřazení výstupu podle rating a nastav argument ascending na False, aby se nejvyšší hodnocení zobrazila jako první.
Použij metody .filter() a .show() na datasetu recommendations a zobraz hodnocení uživatele 60. Všimni si, že ALS generuje doporučení automaticky seřazená sestupně podle userId, takže dataframe není potřeba znovu řadit.
Totéž proveď pro uživatele 63.
Mají žánry doporučení něco společného s původními hodnoceními každého uživatele?

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Look at user 60's ratings
print("User 60's Ratings:")
original_ratings.filter(col("____") == 60).____("rating", ____ = False).show()

# Look at the movies recommended to user 60
print("User 60s Recommendations:")
____.____(col("userId") == ____).show()

# Look at user 63's ratings
print("User 63's Ratings:")
original_ratings.filter(col("____") == ____).____("rating", ____ = False).show()

# Look at the movies recommended to user 63
print("User 63's Recommendations:")
____.____(col("userId") == ____).show()

Upravit a spustit kód