apache-spark - Spark ALS PredictAll 返回空

Question

我有以下 Python 测试代码(ALS.train 的参数在其他地方定义):

 r1 = (2, 1)
 r2 = (3, 1)
 test = sc.parallelize([r1, r2]) 
 model = ALS.train(ratings, rank, numIter, lmbda)
 predictions = model.predictAll(test)

 print test.take(1)     
 print predictions.count()
 print predictions

这有效，因为它对预测变量和输出的计数为 1:

[(2, 1)]
1
ParallelCollectionRDD[2691] at parallelize at PythonRDD.scala:423

但是，当我尝试使用我使用以下代码创建的 RDD 时，它似乎不再起作用:

model = ALS.train(ratings, rank, numIter, lmbda)
validation_data = validation.map(lambda xs: tuple(int(x) for x in xs))
predictions = model.predictAll(validation_data)

print validation_data.take(1)
print predictions.count()
print validation_data

哪些输出:

[(61, 3864)]
0
PythonRDD[4018] at RDD at PythonRDD.scala:43

如您所见，当传递映射的 RDD 时，predictAll 返回空。输入的值都具有相同的格式。我能看到的唯一明显的区别是，第一个示例使用并行化并生成 ParallelCollectionRDD，而第二个示例仅使用生成 PythonRDD 的映射。 predictAll 仅在传递某种类型的 RDD 时才起作用吗？如果是这样，是否可以在 RDD 类型之间进行转换？我不知道如何让它发挥作用。

Answer 1

在两个基本条件下，MatrixFactorizationMode.predictAll 可能会返回项目数量少于输入的 RDD:

• 训练集中缺少用户。
• 训练集中缺少产品。

您可以轻松地重现此行为，并检查它是否不依赖于 RDD 的创建方式。首先让我们使用示例数据来构建模型:

from pyspark.mllib.recommendation import ALS, MatrixFactorizationModel, Rating

def parse(s):
    x, y, z  = s.split(",")
    return Rating(int(x), int(y), float(z))

ratings = (sc.textFile("data/mllib/als/test.data")
  .map(parse)
  .union(sc.parallelize([Rating(1, 5, 4.0)])))

model = ALS.train(ratings, 10, 10)

接下来让我们看看训练数据中存在哪些产品和用户:

set(ratings.map(lambda r: r.product).collect())
## {1, 2, 3, 4, 5}

set(ratings.map(lambda r: r.user).collect())
## {1, 2, 3, 4}

现在让我们创建测试数据并检查预测:

valid_test = sc.parallelize([(2, 5), (1, 4), (3, 5)])
valid_test
## ParallelCollectionRDD[434] at parallelize at PythonRDD.scala:423

model.predictAll(valid_test).count()
## 3

到目前为止一切顺利。接下来让我们使用与代码中相同的逻辑来映射它:

valid_test_ = valid_test.map(lambda xs: tuple(int(x) for x in xs))
valid_test_
## PythonRDD[497] at RDD at PythonRDD.scala:43

model.predictAll(valid_test_).count()
## 3

还好。接下来让我们创建无效数据并重复实验:

invalid_test = sc.parallelize([
  (2, 6), # No product in the training data
  (6, 1)  # No user in the training data
])
invalid_test 
## ParallelCollectionRDD[500] at parallelize at PythonRDD.scala:423

model.predictAll(invalid_test).count()
## 0 

invalid_test_ = invalid_test.map(lambda xs: tuple(int(x) for x in xs))
model.predictAll(invalid_test_).count()
## 0

正如预期的那样，没有对无效输入的预测。

最后，您可以通过使用 ML 模型来确认情况确实如此，该模型完全独立于 Python 代码的训练/预测:

from pyspark.ml.recommendation import ALS as MLALS

model_ml = MLALS(rank=10, maxIter=10).fit(
    ratings.toDF(["user", "item", "rating"])
)
model_ml.transform((valid_test + invalid_test).toDF(["user", "item"])).show()

## +----+----+----------+
## |user|item|prediction|
## +----+----+----------+
## |   6|   1|       NaN|
## |   1|   4| 1.0184212|
## |   2|   5| 4.0041084|
## |   3|   5|0.40498763|
## |   2|   6|       NaN|
## +----+----+----------+

正如您所看到的，训练数据中没有相应的用户/项目意味着没有预测。