แนะนำ Collaborative Filtering

Big Data Fundamentals with PySpark

Upendra Devisetty

Science Analyst, CyVerse

Collaborative Filtering คืออะไร?

Collaborative filtering คือการค้นหาผู้ใช้ที่มีความสนใจร่วมกัน
นิยมใช้ใน Recommender Systems
แนวทางของ Collaborative filtering:
- User-User Collaborative Filtering: ค้นหาผู้ใช้ที่คล้ายกับผู้ใช้เป้าหมาย
- Item-Item Collaborative Filtering: ค้นหาและแนะนำสินค้าที่คล้ายกับสินค้าของผู้ใช้เป้าหมาย

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)

การแบ่งข้อมูลเป็นชุด training และ testing มีความสำคัญต่อการประเมินโมเดล
โดยทั่วไปจะจัดสรรข้อมูลส่วนใหญ่ให้กับชุด training มากกว่า testing
เมธอด randomSplit() ของ PySpark แบ่งข้อมูลแบบสุ่มตามน้ำหนักที่กำหนด และคืนค่าเป็น RDD หลายชุด

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]

อัลกอริทึม Alternating Least Squares (ALS) ใน spark.mllib รองรับ Collaborative Filtering
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)

เมธอด predictAll() คืนค่าเป็นรายการ rating ที่พยากรณ์สำหรับคู่ user และ product ที่ระบุ
เมธอดนี้รับ RDD ที่ไม่มี rating เพื่อใช้สร้าง rating

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 คือค่าเฉลี่ยของกำลังสองของ (actual rating - predicted rating)

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

Big Data Fundamentals with PySpark