Zacznij terazZacznij za darmo

Czy rekomendacje mają sens

Teraz, gdy wiesz już, jak dobrze działał nasz model i masz pewność, że będzie generował rekomendacje dopasowane do użytkowników, przyjrzyjmy się konkretnym rekomendacjom i sprawdźmy, czy rzeczywiście mają sens.

Oryginalne dane z ocenami są dostępne jako original_ratings. Sprawdź oryginalne oceny użytkownika 60 i użytkownika 63, a następnie porównaj je z rekomendacjami wygenerowanymi przez ALS. Czy twoim zdaniem rekomendacje są spójne z ich pierwotnymi preferencjami?

To ćwiczenie jest częścią kursu

Budowanie silników rekomendacji w PySpark

Zobacz kurs

Instrukcje do ćwiczenia

  • Użyj metody .filter() na ramce danych original_ratings, aby wybrać wiersze, w których col("userId") wynosi 60, i wyświetl oryginalne oceny użytkownika 60. Wywołaj metodę .sort(), aby posortować wyniki według kolumny rating, i ustaw argument ascending na False, żeby najpierw zobaczyć najwyższe oceny.
  • Użyj metod .filter() i .show() na zbiorze danych recommendations, aby wyświetlić rekomendacje dla użytkownika 60. Pamiętaj, że ALS generuje rekomendacje w kolejności malejącej według userId, więc sortowanie ramki danych nie jest potrzebne.
  • Wykonaj to samo dla użytkownika 63.
  • Czy gatunki w rekomendacjach są spójne z oryginalnymi ocenami każdego z użytkowników?

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()
Edytuj i uruchom kod