ภาพรวมของเรตติ้งแบบ binary และ implicit

การสร้าง Recommendation Engines ด้วย PySpark

Jamen Long

Data Scientist at Nike

เรตติ้งแบบ binary

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

ความไม่สมดุลของคลาส

getSparsity(binary_ratings)

Sparsity: .993

การถ่วงน้ำหนักรายการ

การถ่วงน้ำหนักรายการ: ภาพยนตร์ที่มีผู้ชมมากกว่า = น้ำหนักสูงกว่า

การถ่วงน้ำหนักรายการและผู้ใช้

การถ่วงน้ำหนักรายการ: ภาพยนตร์ที่มีผู้ชมมากกว่า = น้ำหนักสูงกว่า
การถ่วงน้ำหนักผู้ใช้: ผู้ใช้ที่ดูภาพยนตร์มากกว่าจะได้รับน้ำหนักที่ต่ำกว่าสำหรับภาพยนตร์ที่ยังไม่ได้ดู

มาฝึกกันเถอะ!

การสร้าง Recommendation Engines ด้วย PySpark