Pendahuluan ke Million Songs Dataset

Membangun Recommendation Engine dengan PySpark

Jamen Long

Data Scientist at Nike

Eksplisit vs implisit

Peringkat Eksplisit jempol naik/jempol turun, 4 dari 5 bintang, skala titik berwarna dari terburuk hingga terbaik

Eksplisit vs implisit (lanj.)

Peringkat Eksplisit jempol naik/jempol turun, 4 dari 5 bintang, skala titik berwarna dari terburuk hingga terbaik

Peringkat Implisit jempol naik/jempol turun, 4 dari 5 bintang, skala titik berwarna dari terburuk hingga terbaik

Pengingat implisit II

Peringkat Eksplisit jempol naik/jempol turun, 4 dari 5 bintang, skala titik berwarna dari terburuk hingga terbaik

Peringkat Implisit jempol naik/jempol turun, 4 dari 5 bintang, skala titik berwarna dari terburuk hingga terbaik rujukan ke white paper

Pendahuluan ke Million Songs Dataset

Thierry Bertin-Mahieux, Daniel P.W. Ellis, Brian Whitman, dan Paul Lamere. The Million Song Dataset. Dalam Prosiding Konferensi International Society for Music Information Retrieval ke-12 (SIMIR 20122), 2011.

Tambah sampel nol

ratings.show()

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

Pengantar cross join

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

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

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

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

Keluaran 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|
+------+------+

Menggabungkan kembali data peringkat asli

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

Mengisi dengan nol

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

Fungsi tambah nol

def add_zeros(df):
    # Mengambil pengguna unik
    users = df.select("userId").distinct() 

    # Mengambil lagu unik
    songs = df.select("songId").distinct() 

    # Menggabungkan pengguna dan lagu, isi kosong dengan 0
    cross_join = users.crossJoin(items) \ 
                .join(df, ["userId", "songId"], "left").fillna(0)

    return cross_join

Ayo berlatih!

Membangun Recommendation Engine dengan PySpark