Einführung in das Million Songs Dataset

Recommendation Engines mit PySpark erstellen

Jamen Long

Data Scientist at Nike

Explizit vs. implizit

Explizite Bewertungen Daumen hoch/Daumen runter, 4 von 5 Sternen, Skala farbiger Punkte von schlecht bis gut

Explizit vs. implizit (Fortsetzung)

Explizite Bewertungen Daumen hoch/Daumen runter, 4 von 5 Sternen, Skala farbiger Punkte von schlecht bis gut

Implizite Bewertungen Daumen hoch/Daumen runter, 4 von 5 Sternen, Skala farbiger Punkte von schlecht bis gut

Auffrischung: implizit II

Explizite Bewertungen Daumen hoch/Daumen runter, 4 von 5 Sternen, Skala farbiger Punkte von schlecht bis gut

Implizite Bewertungen Daumen hoch/Daumen runter, 4 von 5 Sternen, Skala farbiger Punkte von schlecht bis gut Verweis auf Whitepaper

Einführung in das Million Songs Dataset

Thierry Bertin-Mahieux, Daniel P.W. Ellis, Brian Whitman und Paul Lamere. The Million Song Dataset. In: Proceedings of the 12th International Society for Music Information Retrieval Conference (SIMIR 20122), 2011.

Nullen hinzufügen: Beispiel

ratings.show()

+------+------+---------+
|userId|songId|num_plays|
+------+------+---------+
|    10|    22|        5|
|    38|    99|        1|
|    38|    77|        3|
|    42|    99|        1|
+------+------+---------+

Einführung: Cross Join

users = ratings.select("userId").distinct()
users.show()

+------+
|userId|
+------+
|    10|
|    38|
|    42|
+------+

songs = ratings.select("songId").distinct()
songs.show()

+------+
|songId|
+------+
|    22|
|    77|
|    99|
+------+

Cross Join: Ausgabe

cross_join = users.crossJoin(songs)
cross_join.show()

+------+------+
|userId|songId|
+------+------+
|    10|    22|
|    10|    77|
|    10|    99|
|    38|    22|
|    38|    77|
|    38|    99|
|    42|    22|
|    42|    77|
|    42|    99|
+------+------+

Originale Bewertungen wieder joinen

cross_join = users.crossJoin(songs)
                  .join(ratings, ["userId", "songId"], "left")
cross_join.show()

+------+------+---------+
|userId|songId|num_plays|
+------+------+---------+
|    10|    22|        5|
|    10|    77|     null|
|    10|    99|     null|
|    38|    22|     null|
|    38|    77|        3|
|    38|    99|        1|
|    42|    22|     null|
|    42|    77|     null|
|    42|    99|        1|
+------+------+---------+

Mit Nullen auffüllen

cross_join = users.crossJoin(songs)
                  .join(ratings, ["userId", "songId"], "left").fillna(0)
cross_join.show()

+------+------+---------+
|userId|songId|num_plays|
+------+------+---------+
|    10|    22|        5|
|    10|    77|        0|
|    10|    99|        0|
|    38|    22|        0|
|    38|    77|        3|
|    38|    99|        1|
|    42|    22|        0|
|    42|    77|        0|
|    42|    99|        1|
+------+------+---------+

Funktion: Nullen hinzufügen

def add_zeros(df):
    # Extracts distinct users
    users = df.select("userId").distinct() 

    # Extracts distinct songs
    songs = df.select("songId").distinct() 

    # Joins users and songs, fills blanks with 0
    cross_join = users.crossJoin(items) \ 
                .join(df, ["userId", "songId"], "left").fillna(0)

    return cross_join

Lass uns üben!

Recommendation Engines mit PySpark erstellen