Introduzione al Million Songs Dataset

Costruire motori di raccomandazione con PySpark

Jamen Long

Data Scientist at Nike

Esplicite vs implicite

Valutazioni esplicite pollice su/giù, 4 stelle su 5, scala di pallini colorati dal peggiore al migliore

Esplicite vs implicite (cont.)

Valutazioni esplicite pollice su/giù, 4 stelle su 5, scala di pallini colorati dal peggiore al migliore

Valutazioni implicite pollice su/giù, 4 stelle su 5, scala di pallini colorati dal peggiore al migliore

Ripasso implicite II

Valutazioni esplicite pollice su/giù, 4 stelle su 5, scala di pallini colorati dal peggiore al migliore

Valutazioni implicite pollice su/giù, 4 stelle su 5, scala di pallini colorati dal peggiore al migliore riferimento a white paper

Introduzione al Million Songs Dataset

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

Aggiungi zeri: esempio

ratings.show()

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

Introduzione al cross join

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

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

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

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

Output del 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|
+------+------+

Join ai dati originali delle valutazioni

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

Riempire con zeri

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

Funzione per aggiungere zeri

def add_zeros(df):
    # Estrae gli utenti distinti
    users = df.select("userId").distinct() 

    # Estrae i brani distinti
    songs = df.select("songId").distinct() 

    # Unisce utenti e brani, riempie i vuoti con 0
    cross_join = users.crossJoin(items) \ 
                .join(df, ["userId", "songId"], "left").fillna(0)

    return cross_join

Esercitiamoci!

Costruire motori di raccomandazione con PySpark