Wprowadzenie do filtrowania kolaboratywnego

Podstawy Big Data z PySpark

Upendra Devisetty

Science Analyst, CyVerse

Czym jest filtrowanie kolaboratywne?

Filtrowanie kolaboratywne polega na znajdowaniu użytkowników o wspólnych zainteresowaniach
Jest powszechnie stosowane w systemach rekomendacji
Podejścia do filtrowania kolaboratywnego:
- Filtrowanie użytkownik–użytkownik: znajduje użytkowników podobnych do docelowego
- Filtrowanie przedmiot–przedmiot: znajduje i rekomenduje przedmioty podobne do tych ocenionych przez docelowego użytkownika

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)

Podział danych na zbiory treningowy i testowy jest kluczowy przy ocenie modeli predykcyjnych
Zazwyczaj większa część danych trafia do zbioru treningowego
Metoda randomSplit() w PySpark losowo dzieli dane według podanych wag i zwraca wiele 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]

Algorytm Alternating Least Squares (ALS) w spark.mllib zapewnia filtrowanie kolaboratywne
ALS.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)

Metoda predictAll() zwraca listę przewidywanych ocen dla podanych par użytkownik–produkt
Przyjmuje RDD bez ocen i na ich podstawie generuje predykcje

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)]

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))]

MSE to średnia wartość kwadratu (actual rating - predicted rating)

MSE = rates_preds.map(lambda r: (r[1][0] - r[1][1])**2).mean()

Podstawy Big Data z PySpark