Question

我有以下Python测试代码（ALS.train的参数在别处定义）：

 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

哪个有效，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RDD我使用以下代码创建自己时，它似乎不再起作用了：

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

哪个输出：

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

如您所见，predictAll在传递映射的RDD时返回空。进入的值都是相同的格式。我能看到的唯一值得注意的差异是第一个示例使用parallelize并生成ParallelCollectionRDD，而第二个示例只使用生成PythonRDD的映射。 predictAll仅在传递某种类型的RDD时才有效吗？如果是这样，是否可以在RDD类型之间进行转换？我不确定如何让这个工作。

Answer 1

MatrixFactorizationMode.predictAll有两个基本条件可能会返回一个项目数少于输入数的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，并检查它是否与RDD的创建方式无关。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，我们可以看到培训数据中包含哪些产品和用户：

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，无法预测无效输入。

最后，你可以通过使用完全独立于Python代码的训练/预测的ML模型来确认这是真的：

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。

Spark ALS predictAll返回空

1 个答案: