Raccomandazioni da dati binari
Come vedi dal ROEM, questi modelli possono comunque generare previsioni di test significative. Ora guardiamo le raccomandazioni vere e proprie.
La funzione col dalla classe pyspark.sql.functions è già stata importata per te.
Questo esercizio fa parte del corso
Costruire motori di raccomandazione con PySpark
Istruzioni dell'esercizio
- Il dataframe
original_ratingsè fornito. Contiene le valutazioni originali fornite dagli utenti. Usa.filter()per esaminare le valutazioni originali dell’utente 26. - È fornito anche il dataframe
binary_recs. Contiene le raccomandazioni per ciascun utente. Usa.filter()per esaminare le raccomandazioni conuserId == 26. Ti sembrano coerenti con quelle proposte dal modello? - Fai la stessa cosa con l’utente 99. Sentiti libero di esaminare anche altri utenti.
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# View user 26's original ratings
print ("User 26 Original Ratings:")
____.____(col("userId") == 26).show()
# View user 26's recommendations
print ("User 26 Recommendations:")
binary_recs.filter(col("____") == 26).show()
# View user 99's original ratings
print ("User 99 Original Ratings:")
____.filter(____("userId") == 99).show()
# View user 99's recommendations
print ("User 99 Recommendations:")
binary_recs.filter(col("userId") == ____).show()