Introducción al Million Songs Dataset

Creación de motores de recomendación con PySpark

Jamen Long

Data Scientist at Nike

Explícitas vs implícitas

Valoraciones explícitas pulgar arriba/pulgar abajo, 4 de 5 estrellas, escala de puntos de colores de peor a mejor

Explícitas vs implícitas (cont.)

Valoraciones explícitas pulgar arriba/pulgar abajo, 4 de 5 estrellas, escala de puntos de colores de peor a mejor

Valoraciones implícitas pulgar arriba/pulgar abajo, 4 de 5 estrellas, escala de puntos de colores de peor a mejor

Repaso de implícitas II

Valoraciones explícitas pulgar arriba/pulgar abajo, 4 de 5 estrellas, escala de puntos de colores de peor a mejor

Valoraciones implícitas pulgar arriba/pulgar abajo, 4 de 5 estrellas, escala de puntos de colores de peor a mejor referencia a white paper

Introducción al Million Songs Dataset

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

Añadir ceros: muestra

ratings.show()

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

Introducción a cross join

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

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

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

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

Salida de cross join

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|
+------+------+

Unir de nuevo los datos originales

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|
+------+------+---------+

Rellenar con ceros

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|
+------+------+---------+

Función para añadir ceros

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

¡Vamos a practicar!

Creación de motores de recomendación con PySpark