バイナリデータからのレコメンデーション
ROEM の結果から、これらのモデルでも意味のあるテスト予測を生成できることが分かりました。次は実際のレコメンデーションを見ていきましょう。
pyspark.sql.functions クラスの col 関数はインポート済みです。
この演習はコースの一部です
PySpark で作る Recommendation Engines
演習の手順
- データフレーム
original_ratingsが用意されています。これはユーザーが提供した元の評価を含みます。.filter()を使って、ユーザー 26 の元の評価を確認しましょう。 - データフレーム
binary_recsも用意されています。これは各ユーザーに対するレコメンデーションを含みます。.filter()を使って、userId == 26のレコメンデーションを確認しましょう。モデルが出したレコメンデーションと一貫していそうでしょうか。 - ユーザー 99 でも同じことを行いましょう。他のユーザーを調べてもかまいません。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# 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()