Aperçu des évaluations binaires et implicites

Créer des moteurs de recommandation avec PySpark

Jamen Long

Data Scientist at Nike

Cotes binaires

binary_movie_ratings.show()

+------+-------+-------------+
|userId|movieId|binary_rating|
+------+-------+-------------+
|    26|    474|            0|
|    26|   2529|            1|
|    26|     26|            0|
|    26|   1950|            0|
|    26|   4823|            1|
|    26|  72011|            1|
|    26| 142507|            0|
|    38|   1325|            0|
|    38|   6011|            1|
+------+-------+-------------+

Déséquilibre des classes

getSparsity(binary_ratings)

Sparsity: .993

Pondération des éléments

Pondération des éléments : les films avec plus de visionnements d'utilisateurs = poids plus élevé

Pondération des éléments et des utilisateurs

Pondération des éléments : les films avec plus de visionnements d'utilisateurs = poids plus élevé
Pondération des utilisateurs : aux utilisateurs qui ont vu plus de films, on applique des poids plus faibles pour les films non vus

Passons à la pratique !

Créer des moteurs de recommandation avec PySpark