Introduktion till Million Song Dataset

Bygg rekommendationsmotorer med PySpark

Jamen Long

Data Scientist at Nike

Explicita vs implicita betyg

Explicita betyg tummen upp/tummen ned, 4 av 5 stjärnor, skala med färgade punkter från sämst till bäst

Explicita vs implicita betyg (forts.)

Explicita betyg tummen upp/tummen ned, 4 av 5 stjärnor, skala med färgade punkter från sämst till bäst

Implicita betyg tummen upp/tummen ned, 4 av 5 stjärnor, skala med färgade punkter från sämst till bäst

Repetition av implicita betyg II

Explicita betyg tummen upp/tummen ned, 4 av 5 stjärnor, skala med färgade punkter från sämst till bäst

Implicita betyg tummen upp/tummen ned, 4 av 5 stjärnor, skala med färgade punkter från sämst till bäst referens till white paper

Introduktion till Million Song Dataset

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

Lägg till nollor – urval

ratings.show()

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

Introduktion till korskoppling

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

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

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

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

Resultat av korskoppling

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

Koppla tillbaka ursprungliga betygsdata

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

Fyll i med nollor

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

Funktionen add_zeros

def add_zeros(df):
    # Extracts distinct users
    users = df.select("userId").distinct() 

    # Extracts distinct songs
    songs = df.select("songId").distinct() 

    # Joins users and songs, fills blanks with 0
    cross_join = users.crossJoin(items) \ 
                .join(df, ["userId", "songId"], "left").fillna(0)

    return cross_join

Nu kör vi en övning!

Bygg rekommendationsmotorer med PySpark