Überblick: binäre, implizite Bewertungen

Recommendation Engines mit PySpark erstellen

Jamen Long

Data Scientist at Nike

Binäre Bewertungen

binary_movie_ratings.show()

+------+-------+-------------+
|userId|movieId|binary_rating|
+------+-------+-------------+
|    26|    474|            0|
|    26|   2529|            1|
|    26|     26|            0|
|    26|   1950|            0|
|    26|   4823|            1|
|    26|  72011|            1|
|    26| 142507|            0|
|    38|   1325|            0|
|    38|   6011|            1|
+------+-------+-------------+

Klassenungleichgewicht

getSparsity(binary_ratings)

Sparsity: .993

Item-Gewichtung

Item-Gewichtung: Filme mit mehr Nutzeraufrufen = höheres Gewicht

Item- und User-Gewichtung

Item-Gewichtung: Filme mit mehr Nutzeraufrufen = höheres Gewicht
User-Gewichtung: Nutzer, die viele Filme gesehen haben, erhalten für ungesehene Filme geringere Gewichte

Lass uns üben!

Recommendation Engines mit PySpark erstellen