Introductie van de Million Songs Dataset

Aanbevelingssystemen bouwen met PySpark

Jamen Long

Data Scientist at Nike

Expliciet vs impliciet

Expliciete beoordelingen duim omhoog/duim omlaag, 4 van 5 sterren, schaal met gekleurde stippen van slecht naar minst slecht

Expliciet vs impliciet (vervolg)

Expliciete beoordelingen duim omhoog/duim omlaag, 4 van 5 sterren, schaal met gekleurde stippen van slecht naar minst slecht

Impliciete beoordelingen duim omhoog/duim omlaag, 4 van 5 sterren, schaal met gekleurde stippen van slecht naar minst slecht

Impliciet opfrissen II

Expliciete beoordelingen duim omhoog/duim omlaag, 4 van 5 sterren, schaal met gekleurde stippen van slecht naar minst slecht

Impliciete beoordelingen duim omhoog/duim omlaag, 4 van 5 sterren, schaal met gekleurde stippen van slecht naar minst slecht verwijzing naar whitepaper

Introductie van de Million Songs Dataset

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

Nullen toevoegen — voorbeeld

ratings.show()

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

Intro cross join

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

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

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

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

Cross join — output

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

Originele beoordelingen terugjoinen

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

Opvullen met nul

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

Functie om nullen toe te voegen

def add_zeros(df):
    # Haalt unieke gebruikers op
    users = df.select("userId").distinct() 

    # Haalt unieke nummers op
    songs = df.select("songId").distinct() 

    # Voegt gebruikers en nummers samen, vult leeg met 0
    cross_join = users.crossJoin(items) \ 
                .join(df, ["userId", "songId"], "left").fillna(0)

    return cross_join

Laten we oefenen!

Aanbevelingssystemen bouwen met PySpark