Antes de construir nuestro modelo ALS, necesitamos dividir los datos en entrenamiento y prueba. Usa el método randomSplit() para dividir el dataframe ratings en training_data y test_data con un reparto 0.8/0.2 respectivamente y una seed para el generador aleatorio de 42.
Indica a Spark qué columnas contienen userCol, itemCol y ratingCol. Usa el método .columns si lo necesitas. Completa los hiperparámetros. Establece rank en 10, maxIter en 15, regParam o lambda en .1, coldStartStrategy en "drop", el argumento nonnegative en True y, como nuestros datos contienen calificaciones explícitas, pon el argumento implicitPrefs en False.
Ahora ajusta el modelo als a la parte training_data de los datos ratings llamando al método als.fit() sobre el training_data proporcionado. Llama model al modelo ajustado.
Genera predicciones sobre la parte test_data de los datos ratings llamando al método model.transform() sobre el test_data proporcionado. Llama test_predictions a las predicciones. Si quieres, visualiza las predicciones llamando al método .show() sobre test_predictions.

Estimating recommendations

Creación de motores de recomendación con PySpark