Introdução ao filtragem colaborativa
Fundamentos de Big Data com PySpark
Upendra Devisetty
Science Analyst, CyVerse
O que é filtragem colaborativa?
Filtragem colaborativa encontra usuários com interesses em comum
É muito usada em sistemas de recomendação
Abordagens de filtragem colaborativa:
Usuário-Usuário: encontra usuários parecidos com o usuário-alvo
Item-Item: encontra e recomenda itens parecidos com os itens do usuário-alvo
Classe Rating no submódulo pyspark.mllib.recommendation
A classe Rating é um wrapper para a tupla (usuário, produto, nota)
Útil para fazer o parse do RDD e criar a tupla usuário, produto, nota
from pyspark.mllib.recommendation import Rating
r = Rating(user = 1, product = 2, rating = 5.0)
(r[0], r[1], r[2])
(1, 2, 5.0)
Dividindo dados com randomSplit()
Separar dados em treino e teste é essencial para avaliar modelos preditivos
Normalmente, a parte de treino é maior que a de teste
randomSplit()do PySpark divide aleatoriamente pelos pesos e retorna vários RDDs
data = sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
training, test=data.randomSplit([0.6, 0.4])
training.collect()
test.collect()
[1, 2, 5, 6, 9, 10]
[3, 4, 7, 8]
Alternating Least Squares (ALS)
O algoritmo Alternating Least Squares (ALS) em
spark.mllibfaz filtragem colaborativaALS.train(ratings, rank, iterations)
r1 = Rating(1, 1, 1.0)
r2 = Rating(1, 2, 2.0)
r3 = Rating(2, 1, 2.0)
ratings = sc.parallelize([r1, r2, r3])
ratings.collect()
[Rating(user=1, product=1, rating=1.0),
Rating(user=1, product=2, rating=2.0),
Rating(user=2, product=1, rating=2.0)]
model = ALS.train(ratings, rank=10, iterations=10)
predictAll()
O método predictAll() retorna notas previstas para pares usuário–produto de entrada
Ele recebe um RDD sem notas para gerar as previsões
unrated_RDD = sc.parallelize([(1, 2), (1, 1)])
predictions = model.predictAll(unrated_RDD)
predictions.collect()
[Rating(user=1, product=1, rating=1.0000278574351853),
Rating(user=1, product=2, rating=1.9890355703778122)]
Avaliação do modelo
rates = ratings.map(lambda x: ((x[0], x[1]), x[2]))
rates.collect()
[((1, 1), 1.0), ((1, 2), 2.0), ((2, 1), 2.0)]
preds = predictions.map(lambda x: ((x[0], x[1]), x[2])) preds.collect()[((1, 1), 1.000027857), ((1, 2), 1.9890355703)]
rates_preds = rates.join(preds)
rates_preds.collect()
[((1, 2), (2.0, 1.9890355703)), ((1, 1), (1.0, 1.000027857))]
O MSE é a média do quadrado de (nota real - nota prevista)
MSE = rates_preds.map(lambda r: (r[1][0] - r[1][1])**2).mean()
Vamos praticar!
Fundamentos de Big Data com PySpark
