Como o ALS alterna para gerar previsões

Construindo mecanismos de recomendação com PySpark

Jamen Long

Data Scientist at Nike

matriz parcialmente em branco

matriz parcialmente em branco com duas matrizes fator completamente preenchidas

matriz parcialmente em branco com duas matrizes fator completamente preenchidas; em uma matriz fator está escrito "ajustada" e nas outras "constante"

mesma imagem acima com gráfico: iterações no eixo x e RMSE no eixo y e um ponto alto à esquerda

mesma imagem acima com gráfico: iterações no eixo x e RMSE no eixo y; novo ponto mais baixo no y e mais à direita no x, linha conectando os pontos

mesma imagem acima com gráfico: iterações no eixo x e RMSE no eixo y; outro ponto mais baixo no y e mais à direita no x, linha conectando os pontos

mesma imagem acima com mais pontos indicando RMSE caindo conforme o modelo itera

matriz parcialmente em branco com seta levando a aproximação totalmente preenchida de outra matriz

matriz parcialmente em branco

matriz parcialmente em branco com duas matrizes fator completamente preenchidas

matriz parcialmente em branco com um valor destacado e duas matrizes fator com a linha e coluna respectivas destacadas

matriz parcialmente em branco com outro valor destacado e duas matrizes fator com a linha e coluna respectivas destacadas

matriz parcialmente em branco com setas horizontais apontando para o primeiro valor de cada linha e duas matrizes fator

matriz parcialmente em branco com setas verticais para baixo apontando para o primeiro valor de cada coluna e duas matrizes fator

matriz original com duas matrizes fator com todos os valores destacados

matriz original com duas matrizes fator com todos os valores destacados e espaços em branco na matriz original destacados

quarta matriz adicionada mostrando onde o ALS preencheu as células em branco

Vamos praticar!

Construindo mecanismos de recomendação com PySpark