基于二元数据的推荐
从 ROEM 可以看出，这些模型仍然能够生成有意义的测试集预测。现在我们来看看实际的推荐结果。
pyspark.sql.functions 中的 col 函数已为您导入。
本练习是课程的一部分
使用 PySpark 构建推荐引擎
练习说明
- 已为您提供数据框
original_ratings，其中包含用户给出的原始评分。请使用.filter()查看用户 26 的原始评分。 - 同时也提供了数据框
binary_recs，其中包含对每位用户的推荐。请使用.filter()查看userId == 26的推荐。这些结果与模型给出的推荐是否一致？ - 对用户 99 做相同的操作。您也可以自由查看其他用户。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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()