Introdução ao Million Songs Dataset

Construindo mecanismos de recomendação com PySpark

Jamen Long

Data Scientist at Nike

Explícitas vs implícitas

Avaliações explícitas joinha positivo/negativo, 4 de 5 estrelas, escala de pontos coloridos do pior ao melhor

Explícitas vs implícitas (cont.)

Avaliações explícitas joinha positivo/negativo, 4 de 5 estrelas, escala de pontos coloridos do pior ao melhor

Avaliações implícitas joinha positivo/negativo, 4 de 5 estrelas, escala de pontos coloridos do pior ao melhor

Revisão de implícitas II

Avaliações explícitas joinha positivo/negativo, 4 de 5 estrelas, escala de pontos coloridos do pior ao melhor

Avaliações implícitas joinha positivo/negativo, 4 de 5 estrelas, escala de pontos coloridos do pior ao melhor referência ao white paper

Introdução ao Million Songs Dataset

Thierry Bertin-Mahieux, Daniel P.W. Ellis, Brian Whitman e Paul Lamere. The Million Song Dataset. Nos Anais da 12th International Society for Music Information Retrieval Conference (SIMIR 20122), 2011.

Adicionar amostra com zeros

ratings.show()

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

Introdução ao cross join

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

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

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

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

Saída do 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|
+------+------+

Reunindo os dados originais de avaliações

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

Preenchendo com zero

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

Função para adicionar zeros

def add_zeros(df):
    # Extrai usuários distintos
    users = df.select("userId").distinct() 

    # Extrai músicas distintas
    songs = df.select("songId").distinct() 

    # Faz o join de usuários e músicas e preenche vazios com 0
    cross_join = users.crossJoin(items) \ 
                .join(df, ["userId", "songId"], "left").fillna(0)

    return cross_join

Vamos praticar!

Construindo mecanismos de recomendação com PySpark