Introduction au filtrage collaboratif
Principes de Big Data avec PySpark
Upendra Devisetty
Science Analyst, CyVerse
Qu'est-ce que le filtrage collaboratif ?
Le filtrage collaboratif repère des utilisateurs aux intérêts communs
Il est couramment utilisé pour les systèmes de recommandation
Approches de filtrage collaboratif :
Filtrage collaboratif Utilisateur-Utilisateur : trouve des utilisateurs semblables à l'utilisateur cible
Filtrage collaboratif Article-Article : trouve et recommande des articles semblables à ceux de l'utilisateur cible
Classe Rating dans le sous-module pyspark.mllib.recommendation
La classe Rating est un enrobage autour du tuple (user, product, rating)
Utile pour analyser le RDD et créer un tuple user, product, 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)
Scinder les données avec randomSplit()
Scinder les données en ensembles d'entraînement et de test est essentiel pour évaluer un modèle prédictif
En général, une plus grande part va à l'entraînement qu'au test
La méthode
randomSplit()de PySpark scinde aléatoirement selon les pondérations et renvoie plusieurs 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'algorithme Alternating Least Squares (ALS) de
spark.mlliboffre le filtrage collaboratifALS.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()
La méthode predictAll() retourne une liste de notes prédites pour des paires utilisateur-produit en entrée
Elle prend un RDD sans notes pour générer les prédictions
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)]
Évaluation du modèle
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 est la moyenne du carré de (actual rating - predicted rating)
MSE = rates_preds.map(lambda r: (r[1][0] - r[1][1])**2).mean()
Passons à la pratique !
Principes de Big Data avec PySpark
