Prima di costruire il modello ALS, dobbiamo suddividere i dati in training e test. Usa il metodo randomSplit() per dividere il dataframe ratings in training_data e test_data con una suddivisione rispettivamente 0,8/0,2 e un seed del generatore di numeri casuali pari a 42.
Indica a Spark quali colonne contengono userCol, itemCol e ratingCol. Usa il metodo .columns se necessario. Completa gli iperparametri. Imposta rank a 10, maxIter a 15, regParam (lambda) a .1, coldStartStrategy a "drop", l’argomento nonnegative a True e, poiché i nostri dati contengono valutazioni esplicite, imposta implicitPrefs a False.
Ora adatta il modello als alla porzione training_data dei dati ratings chiamando il metodo als.fit() su training_data. Chiama il modello addestrato model.
Genera le previsioni sulla porzione test_data dei dati ratings chiamando il metodo model.transform() su test_data. Chiama le previsioni test_predictions. Se vuoi, visualizza le previsioni chiamando il metodo .show() su test_predictions.

Stimare le raccomandazioni

Costruire motori di raccomandazione con PySpark