ALS parametreleri ve hiperparametreleri

PySpark ile Öneri Motorları Oluşturma

Jamen Long

Data Scientist at Nike

Örnek ALS model kodu

als_model = ALS(userCol="userId", itemCol="movieId", ratingCol="rating", 
            rank=25, maxIter=100, regParam=.05, alpha=40,
            nonnegative=True,
            coldStartStrategy="drop",
            implicitPrefs=False)

Sütun adları

als_model = ALS(userCol="userId", itemCol="movieId", ratingCol="rating", 
            rank=25, maxIter=100, regParam=.05, alpha=40,
            nonnegative=True,
            coldStartStrategy="drop",
            implicitPrefs=False)

Argümanlar

userCol: Kullanıcı kimliklerinin olduğu sütun adı
itemCol: Öğe kimliklerinin olduğu sütun adı
ratingCol: Puanların olduğu sütun adı

iki boş çarpan matrisli boş orijinal puan matrisi

öncekiyle aynı görsel, gizli boyutlar vurgulanmış

Rank

als_model = ALS(userCol="userId", itemCol="movieId", ratingCol="rating", 
            rank=25, maxIter=100, regParam=.05, alpha=40,
            nonnegative=True,
            coldStartStrategy="drop",
            implicitPrefs=False)

Hiperparametreler

rank, $k$: gizli özellik sayısı

MaxIter

als_model = ALS(userCol="userId", itemCol="movieId", ratingCol="rating", 
            rank=25, maxIter=100, regParam=.05, alpha=40,
            nonnegative=True,
            coldStartStrategy="drop",
            implicitPrefs=False)

Hiperparametreler

rank, $k$: gizli özellik sayısı
maxIter: iterasyon sayısı

RegParam

als_model = ALS(userCol="userId", itemCol="movieId", ratingCol="rating", 
            rank=25, maxIter=100, regParam=.05, alpha=40,
            nonnegative=True,
            coldStartStrategy="drop",
            implicitPrefs=False)

Hiperparametreler

rank, $k$: gizli özellik sayısı
maxIter: iterasyon sayısı
regParam: Lambda

Alpha

als_model = ALS(userCol="userId", itemCol="movieId", ratingCol="rating", 
            rank=25, maxIter=100, regParam=.05, alpha=40,
            nonnegative=True,
            coldStartStrategy="drop",
            implicitPrefs=False)

Hiperparametreler

rank, $k$: gizli özellik sayısı
maxIter: iterasyon sayısı
regParam: Lambda
alpha: Sonra ele alınacak. Yalnızca örtük puanlarla kullanılır.

Negatif olmayan

als_model = ALS(userCol="userId", itemCol="movieId", ratingCol="rating", 
            rank=25, maxIter=100, regParam=.05, alpha=40,
            nonnegative=True,
            coldStartStrategy="drop",
            implicitPrefs=False)

Ek argümanlar

nonnegative = True: Pozitif değerleri garanti eder

Soğuk başlangıç stratejisi

als_model = ALS(userCol="userId", itemCol="movieId", ratingCol="rating", 
            rank=25, maxIter=100, regParam=.05, alpha=40,
            nonnegative=True,
            coldStartStrategy="drop",
            implicitPrefs=False)

Ek argümanlar

nonnegative = True: Pozitif değerleri garanti eder
coldStartStrategy = "drop": Test/eğitim ayrımı sorunlarını ele alır

Örtük tercihler

als_model = ALS(userCol="userId", itemCol="movieId", ratingCol="rating", 
            rank=25, maxIter=100, regParam=.05, alpha=40,
            nonnegative=True,
            coldStartStrategy="drop",
            implicitPrefs=False)

Ek argümanlar

nonnegative = True: Pozitif değerleri garanti eder
coldStartStrategy = "drop": Test/eğitim ayrımı sorunlarını ele alır
implicitPrefs = True: Puan tipine göre True/False

Örnek ALS model kurulumu

als = ALS(userCol="userId", itemCol="movieId", ratingCol="rating", 
            rank=25, maxIter=100, regParam=.05, 
            nonnegative=True,
            coldStartStrategy="drop",
            implicitPrefs=False)

Fit ve transform metodları

# Fit ALS to training dataset
model = als.fit(training_data)

# Generate predictions on test dataset
predictions = model.transform(test_data)

Hadi pratik yapalım!

PySpark ile Öneri Motorları Oluşturma