Antes de construir nosso modelo ALS, precisamos dividir os dados em dados de treinamento e dados de teste. Use o método randomSplit() para dividir o dataframe ratings em training_data e test_data usando, respectivamente, uma divisão de 0.8/0.2 e um seed para o gerador de números aleatórios de 42.
Informe ao Spark quais colunas contêm userCol, itemCol e ratingCol. Use o método .columns se necessário. Complete os hiperparâmetros. Defina rank como 10, maxIter como 15, regParam (ou lambda) como .1, coldStartStrategy como "drop", o argumento nonnegative deve ser True e, como nossos dados contêm avaliações explícitas, defina o argumento implicitPrefs como False.
Agora ajuste o modelo als à parte training_data dos dados ratings chamando o método als.fit() sobre o training_data fornecido. Chame o modelo ajustado de model.
Gere previsões na parte test_data dos dados ratings chamando o método model.transform() sobre o test_data fornecido. Chame as previsões de test_predictions. Fique à vontade para visualizar as previsões chamando o método .show() em test_predictions

Estimating recommendations

Construindo mecanismos de recomendação com PySpark