这些推荐有道理吗
现在我们已经了解了模型的整体效果，也对它能为用户提供相关推荐有一定信心。接下来，实际查看某位用户获得的推荐，判断是否合理。
原始评分数据以 original_ratings 提供。请查看用户 60 和用户 63 的原始评分，并与 ALS 为他们给出的推荐进行比较。就您的判断而言，这些推荐是否与他们原有的偏好一致？
本练习是课程的一部分
使用 PySpark 构建推荐引擎
练习说明
- 在
original_ratings数据框上使用.filter()，确保col("userId")等于60，以查看用户 60 的原始评分。再调用.sort()方法按rating排序，并将ascending参数设为False，以便先看到最高评分。 - 在
recommendations数据集上使用.filter()和.show()方法查看用户 60 的推荐。注意，当 ALS 生成推荐时，会按 userId 的降序提供，因此无需对数据框进行排序。 - 对用户 63 重复上述操作。
- 推荐的影片类型（genres）是否与各自用户的原始评分大体一致？
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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()