Introduzione al Collaborative filtering
Fondamenti di Big Data con PySpark
Upendra Devisetty
Science Analyst, CyVerse
Che cos'è il Collaborative filtering?
Il Collaborative filtering trova utenti con interessi in comune
È usato spesso nei sistemi di raccomandazione
Approcci di Collaborative filtering:
User-User Collaborative filtering: trova utenti simili all'utente target
Item-Item Collaborative filtering: trova e consiglia elementi simili a quelli dell'utente target
Classe Rating nel sottomodulo pyspark.mllib.recommendation
La classe Rating è un wrapper attorno alla tupla (user, product, rating)
Utile per analizzare l'RDD e creare una tupla di user, product e rating
from pyspark.mllib.recommendation import Rating
r = Rating(user = 1, product = 2, rating = 5.0)
(r[0], r[1], r[2])
(1, 2, 5.0)
Suddividere i dati con randomSplit()
Suddividere i dati in training e test è fondamentale per valutare i modelli predittivi
In genere si assegna più dati al training che al test
Il metodo
randomSplit()di PySpark divide casualmente secondo i pesi forniti e restituisce più RDD
data = sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
training, test=data.randomSplit([0.6, 0.4])
training.collect()
test.collect()
[1, 2, 5, 6, 9, 10]
[3, 4, 7, 8]
Alternating Least Squares (ALS)
L'algoritmo Alternating Least Squares (ALS) in
spark.mllibfornisce il collaborative filteringALS.train(ratings, rank, iterations)
r1 = Rating(1, 1, 1.0)
r2 = Rating(1, 2, 2.0)
r3 = Rating(2, 1, 2.0)
ratings = sc.parallelize([r1, r2, r3])
ratings.collect()
[Rating(user=1, product=1, rating=1.0),
Rating(user=1, product=2, rating=2.0),
Rating(user=2, product=1, rating=2.0)]
model = ALS.train(ratings, rank=10, iterations=10)
predictAll()
Il metodo predictAll() restituisce una lista di valutazioni previste per coppie utente-prodotto in input
Il metodo accetta un RDD senza valutazioni per generare le stime
unrated_RDD = sc.parallelize([(1, 2), (1, 1)])
predictions = model.predictAll(unrated_RDD)
predictions.collect()
[Rating(user=1, product=1, rating=1.0000278574351853),
Rating(user=1, product=2, rating=1.9890355703778122)]
Valutazione del modello
rates = ratings.map(lambda x: ((x[0], x[1]), x[2]))
rates.collect()
[((1, 1), 1.0), ((1, 2), 2.0), ((2, 1), 2.0)]
preds = predictions.map(lambda x: ((x[0], x[1]), x[2])) preds.collect()[((1, 1), 1.000027857), ((1, 2), 1.9890355703)]
rates_preds = rates.join(preds)
rates_preds.collect()
[((1, 2), (2.0, 1.9890355703)), ((1, 1), (1.0, 1.000027857))]
La MSE è il valore medio del quadrato di (actual rating - predicted rating)
MSE = rates_preds.map(lambda r: (r[1][0] - r[1][1])**2).mean()
Esercitiamoci!
Fondamenti di Big Data con PySpark
