图神经网络在yelp数据集上分析用户如何影响彼此的评价

已于 2025-01-06 17:12:55 修改
阅读量562 收藏 18
点赞数 24
分类专栏： 人工智能 文章标签： 神经网络 人工智能 深度学习
于 2025-01-06 17:05:25 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u011564831/article/details/144964580
版权

用户在Yelp等平台上影响彼此的评价通常指的是一种社交传播现象，即一个用户的评价行为（如评分和评论内容）可能会影响其他用户对同一商家的看法和行为。这种影响可以通过多个因素和特征来捕捉。在分析用户如何影响彼此的评价时，最相关的数据集是：

  • yelp_academic_dataset_review.json：这个数据集包含了用户对商家的评价，包括评分、评论内容和时间戳等信息，非常适合用于研究用户之间的评价传播和影响。

此外，其他数据集也可以提供有用的信息：

  • yelp_academic_dataset_user.json：包含用户的基本信息，如用户ID、注册时间和朋友列表等，可以帮助建立用户之间的社交网络。

  • yelp_academic_dataset_business.json：提供商家的基本信息，如商家ID、类型、位置等，对于了解商家的属性和影响力很重要。

主要使用：yelp_academic_dataset_review.json 辅助使用：yelp_academic_dataset_user.json 和 yelp_academic_dataset_business.json 

def load_data():
    # 加载数据集
    business_df = pd.read_json('yelp_academic_dataset_business.json', lines=True)
    user_df = pd.read_json('yelp_academic_dataset_user.json', lines=True)
    review_df = pd.read_json('yelp_academic_dataset_review.json', lines=True)
    return business_df, user_df, review_df

一般性的特征提取

def extract_features(user_df, business_df, review_df):
    # 提取用户特征
    user_features = user_df[['user_id', 'friends', 'review_count', 'yelping_since']]
    user_features['friend_count'] = user_features['friends'].apply(lambda x: len(x.split(',')) if x else 0)

    # 提取商家特征
    business_features = business_df[['business_id', 'categories', 'city', 'state', 'stars']]

    # 提取评价特征
    review_features = review_df[['user_id', 'business_id', 'stars', 'text', 'date']]
    
    # 合并用户和评价特征
    merged_df = pd.merge(review_features, user_features, on='user_id')
    # 合并商家和合并后的数据框
    final_df = pd.merge(merged_df, business_features, on='business_id')
    
    return final_df

采样关键特征有：

  1. 用户特征：

    • 用户ID：唯一标识用户。
    • 注册时间：用户在平台的活跃时间，可能影响其评价行为。
    • 朋友数量：用户的社交网络规模，可能影响其接收到的信息量。
    • 历史评价数量：用户过去的评价数量，反映其活跃程度。

  2. 商家特征：

    • 商家ID：唯一标识商家。
    • 类别：商家的类型（如餐馆、商店等），可能影响用户的评价偏好。
    • 地理位置：商家的位置，可能对用户的访问和评价产生影响。
    • 总体评分：商家的平均评分，可能影响用户的期望和评价。

  3. 评价特征：

    • 评分：用户对商家的评分，直接反映用户的满意度。
    • 评论内容：用户的评论文本，可能包含影响其他用户的意见和观点。
    • 时间戳：评价的时间信息，可能用于分析评价的时间动态。

除此之外还需要一个社交关系图，这个图的节点代表用户，边代表用户之间的朋友关系

  1. 社交网络特征：

    • 朋友关系：用户之间的朋友关系，分析用户如何通过朋友的评价进行决策。
    • 评论互动：其他用户对该评价的点赞或回复，反映评论的影响力

def build_social_network(user_df):
    # 创建社交网络图
    G = nx.Graph()

    # 为每个用户添加节点
    for _, row in user_df.iterrows():
        G.add_node(row['user_id'], review_count=row['review_count'])

    # 为每个朋友关系添加边
    for _, row in user_df.iterrows():
        friends = row['friends'].split(',') if row['friends'] else []
        for friend in friends:
            if friend:  # 确保朋友ID不为空
                G.add_edge(row['user_id'], friend.strip())

    return G
  • 使用 iterrows() 方法遍历 user_df 中的每一行。每一行代表一个用户。
  • 对于每个用户，使用 G.add_node() 方法将用户添加为图的节点。每个节点包括用户的唯一标识符 user_id 作为节点名，同时也存储该用户的评价数量 review_count 作为节点的属性。
  • 再次遍历 user_df 中的每一行，用于添加用户之间的边（朋友关系）。
  • 获取每个用户的朋友列表，使用 split(',') 将字符串分割成一个列表。如果没有朋友，则设置为空列表。
  • 对于每个朋友，检查其是否为空（确保朋友ID存在），然后使用 G.add_edge() 方法将用户与其朋友之间添加一条边，表示他们是朋友关系。这里使用 strip() 方法去除朋友ID的前后空格。这种图结构可以用于后续分析，如用户之间的影响力、社交传播等。通过分析这个网络，可以深入理解用户如何通过社交关系影响彼此的评价行为。

在提取特征的时候结合社交图，把用户身边其他好友的评论avg_friend_rating也提取出来

def extract_network_features(G, user_df):
    # 提取每个用户的度数和平均朋友评分
    user_degrees = dict(G.degree())
    avg_friend_ratings = {}

    for user in G.nodes:
        friends = list(G.neighbors(user))
        if friends:
            avg_friend_ratings[user] = user_df[user_df['user_id'].isin(friends)]['stars'].mean()
        else:
            avg_friend_ratings[user] = 0  # 如果没有朋友，平均评分为0

    return user_degrees, avg_friend_ratings

def extract_features(user_df, business_df, review_df, G):
    # 提取用户特征
    user_features = user_df[['user_id', 'friends', 'review_count', 'yelping_since']]
    user_features['friend_count'] = user_features['friends'].apply(lambda x: len(x.split(',')) if x else 0)

    # 提取商家特征
    business_features = business_df[['business_id', 'categories', 'city', 'state', 'stars']]

    # 提取评价特征
    review_features = review_df[['user_id', 'business_id', 'stars', 'text', 'date']]
    
    # 合并用户和评价特征
    merged_df = pd.merge(review_features, user_features, on='user_id')
    # 合并商家和合并后的数据框
    final_df = pd.merge(merged_df, business_features, on='business_id')

    # 提取网络特征
    user_degrees, avg_friend_ratings = extract_network_features(G, user_df)

    # 将网络特征添加到 DataFrame
    final_df['user_degree'] = final_df['user_id'].map(user_degrees)
    final_df['avg_friend_rating'] = final_df['user_id'].map(avg_friend_ratings)

    return final_df

定义模型网络结构

import torch
import torch.nn as nn
import torch.optim as optim

class AdvancedNN(nn.Module):
    def __init__(self):
        super(AdvancedNN, self).__init__()
        self.fc1 = nn.Linear(3, 128)  # 输入层，128个神经元
        self.bn1 = nn.BatchNorm1d(128)  # Batch Normalization
        self.dropout1 = nn.Dropout(0.3)  # Dropout层

        self.fc2 = nn.Linear(128, 64)  # 隐藏层，64个神经元
        self.bn2 = nn.BatchNorm1d(64)  # Batch Normalization
        self.dropout2 = nn.Dropout(0.3)  # Dropout层

        self.fc3 = nn.Linear(64, 32)  # 隐藏层，32个神经元
        self.bn3 = nn.BatchNorm1d(32)  # Batch Normalization
        self.dropout3 = nn.Dropout(0.3)  # Dropout层

        self.fc4 = nn.Linear(32, 1)  # 输出层，单输出

    def forward(self, x):
        x = torch.relu(self.bn1(self.fc1(x)))
        x = self.dropout1(x)
        x = torch.relu(self.bn2(self.fc2(x)))
        x = self.dropout2(x)
        x = torch.relu(self.bn3(self.fc3(x)))
        x = self.dropout3(x)
        x = self.fc4(x)
        return x

Input Layer (3 Features)
        |
        v
  +-----------------+
  |    Linear (128) | <--- Fully Connected Layer 1
  +-----------------+
        |
        v
  +-----------------+
  |   Batch Norm    | <--- Batch Normalization
  +-----------------+
        |
        v
  +-----------------+
  |     ReLU        | <--- Activation Function
  +-----------------+
        |
        v
  +-----------------+
  |     Dropout     | <--- Dropout Regularization
  +-----------------+
        |
        v
  +-----------------+
  |    Linear (64)  | <--- Fully Connected Layer 2
  +-----------------+
        |
        v
  +-----------------+
  |   Batch Norm    | <--- Batch Normalization
  +-----------------+
        |
        v
  +-----------------+
  |     ReLU        | <--- Activation Function
  +-----------------+
        |
        v
  +-----------------+
  |     Dropout     | <--- Dropout Regularization
  +-----------------+
        |
        v
  +-----------------+
  |    Linear (32)  | <--- Fully Connected Layer 3
  +-----------------+
        |
        v
  +-----------------+
  |   Batch Norm    | <--- Batch Normalization
  +-----------------+
        |
        v
  +-----------------+
  |     ReLU        | <--- Activation Function
  +-----------------+
        |
        v
  +-----------------+
  |     Dropout     | <--- Dropout Regularization
  +-----------------+
        |
        v
  +-----------------+
  |    Linear (1)   | <--- Output Layer
  +-----------------+
        |
        v
   Output (Predicted Rating)

用更复杂的模型结构来提高模型的表现。以下是一些建议的模型架构，适用于回归任务，例如预测用户评分：

  1. 更深的全连接网络：增加层数和每层的神经元数量，以捕捉更复杂的特征。

  2. 使用Dropout：在网络中加入Dropout层可以减少过拟合。

  3. Batch Normalization：在每个隐藏层后使用Batch Normalization可以加速训练并提高稳定性。

  4. Residual Connections：使用残差连接（ResNet结构）帮助训练更深的网络。

准备训练代码

def train_model(final_df):
    # 特征选择
    features = final_df[['review_count', 'friend_count', 'stars_y']].values
    target = final_df['stars_x'].values

    # 标准化特征
    scaler = StandardScaler()
    features = scaler.fit_transform(features)

    # 划分训练集和测试集
    X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.2, random_state=42)

    # 转换为Tensor
    X_train_tensor = torch.FloatTensor(X_train)
    y_train_tensor = torch.FloatTensor(y_train).view(-1, 1)
    X_test_tensor = torch.FloatTensor(X_test)
    y_test_tensor = torch.FloatTensor(y_test).view(-1, 1)

    # 模型、损失函数和优化器
    model = AdvancedNN().to('cuda')  # 使用GPU
    criterion = nn.MSELoss()
    optimizer = optim.Adam(model.parameters(), lr=0.001)

    # 训练模型
    model.train()
    for epoch in range(50):  # 增加训练轮数
        optimizer.zero_grad()
        outputs = model(X_train_tensor.to('cuda'))
        loss = criterion(outputs, y_train_tensor.to('cuda'))
        loss.backward()
        optimizer.step()
        print(f'Epoch {epoch+1}, Loss: {loss.item()}')

    # 预测
    model.eval()
    with torch.no_grad():
        predictions = model(X_test_tensor.to('cuda')).cpu()

    return predictions

打印社交图 nx.info(social_network)， 构建G比较吃内存，建议保存为pkl供后续使用

下面附上述提到的全部代码

import pandas as pd
import networkx as nx
import torch
import torch.nn as nn
import torch.optim as optim
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import pickle
from tqdm import tqdm  # 用于进度条

# 定义改进的神经网络模型
class AdvancedNN(nn.Module):
    def __init__(self):
        super(AdvancedNN, self).__init__()
        self.fc1 = nn.Linear(5, 128)  # 输入层，128个神经元 (更新为5个特征)
        self.bn1 = nn.BatchNorm1d(128)  # Batch Normalization
        self.dropout1 = nn.Dropout(0.3)  # Dropout层

        self.fc2 = nn.Linear(128, 64)  # 隐藏层，64个神经元
        self.bn2 = nn.BatchNorm1d(64)  # Batch Normalization
        self.dropout2 = nn.Dropout(0.3)  # Dropout层

        self.fc3 = nn.Linear(64, 32)  # 隐藏层，32个神经元
        self.bn3 = nn.BatchNorm1d(32)  # Batch Normalization
        self.dropout3 = nn.Dropout(0.3)  # Dropout层

        self.fc4 = nn.Linear(32, 1)  # 输出层，单输出

    def forward(self, x):
        x = torch.relu(self.bn1(self.fc1(x)))
        x = self.dropout1(x)
        x = torch.relu(self.bn2(self.fc2(x)))
        x = self.dropout2(x)
        x = torch.relu(self.bn3(self.fc3(x)))
        x = self.dropout3(x)
        x = self.fc4(x)
        return x

def load_data():
    # 加载数据集
    business_df = pd.read_json('yelp_academic_dataset_business.json', lines=True)
    user_df = pd.read_json('yelp_academic_dataset_user.json', lines=True)
    review_df = pd.read_json('yelp_academic_dataset_review.json', lines=True)
    return business_df, user_df, review_df

def extract_network_features(G, user_df):
    # 提取每个用户的度数和平均朋友评分
    user_degrees = dict(G.degree())
    avg_friend_ratings = {}

    for user in G.nodes:
        friends = list(G.neighbors(user))
        if friends:
            avg_friend_ratings[user] = user_df[user_df['user_id'].isin(friends)]['stars'].mean()
        else:
            avg_friend_ratings[user] = 0  # 如果没有朋友，平均评分为0

    return user_degrees, avg_friend_ratings

def extract_features(user_df, business_df, review_df, G):
    # 提取用户特征
    user_features = user_df[['user_id', 'friends', 'review_count', 'yelping_since']]
    user_features['friend_count'] = user_features['friends'].apply(lambda x: len(x.split(',')) if x else 0)

    # 提取商家特征
    business_features = business_df[['business_id', 'categories', 'city', 'state', 'stars']]

    # 提取评价特征
    review_features = review_df[['user_id', 'business_id', 'stars', 'text', 'date']]
    
    # 合并用户和评价特征
    merged_df = pd.merge(review_features, user_features, on='user_id')
    # 合并商家和合并后的数据框
    final_df = pd.merge(merged_df, business_features, on='business_id')

    # 提取网络特征
    user_degrees, avg_friend_ratings = extract_network_features(G, user_df)

    # 将网络特征添加到 DataFrame
    final_df['user_degree'] = final_df['user_id'].map(user_degrees)
    final_df['avg_friend_rating'] = final_df['user_id'].map(avg_friend_ratings)

    return final_df

def save_network(G, filename):
    with open(filename, 'wb') as f:
        pickle.dump(G, f)

def load_network(filename):
    with open(filename, 'rb') as f:
        G = pickle.load(f)
    return G

def build_social_network(user_df):
    # 创建社交网络图
    G = nx.Graph()

    # 为每个用户添加节点
    for _, row in tqdm(user_df.iterrows(), total=user_df.shape[0], desc="Building Social Network"):
        G.add_node(row['user_id'], review_count=row['review_count'])

    # 为每个朋友关系添加边
    for _, row in tqdm(user_df.iterrows(), total=user_df.shape[0], desc="Adding Edges"):
        friends = row['friends'].split(',') if row['friends'] else []
        for friend in friends:
            if friend:  # 确保朋友ID不为空
                G.add_edge(row['user_id'], friend.strip())
    
    return G

def train_model(final_df):
    # 特征选择
    features = final_df[['review_count', 'friend_count', 'stars_y', 'user_degree', 'avg_friend_rating']].values
    target = final_df['stars_x'].values

    # 标准化特征
    scaler = StandardScaler()
    features = scaler.fit_transform(features)

    # 划分训练集和测试集
    X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.2, random_state=42)

    # 转换为Tensor
    X_train_tensor = torch.FloatTensor(X_train)
    y_train_tensor = torch.FloatTensor(y_train).view(-1, 1)
    X_test_tensor = torch.FloatTensor(X_test)
    y_test_tensor = torch.FloatTensor(y_test).view(-1, 1)

    # 模型、损失函数和优化器
    model = AdvancedNN().to('cuda')  # 使用GPU
    criterion = nn.MSELoss()
    optimizer = optim.Adam(model.parameters(), lr=0.001)

    # 训练模型
    model.train()
    for epoch in range(50):  # 增加训练轮数
        optimizer.zero_grad()
        outputs = model(X_train_tensor.to('cuda'))
        loss = criterion(outputs, y_train_tensor.to('cuda'))
        loss.backward()
        optimizer.step()
        print(f'Epoch {epoch+1}, Loss: {loss.item()}')

    # 预测
    model.eval()
    with torch.no_grad():
        predictions = model(X_test_tensor.to('cuda')).cpu()

    return predictions

def main():
    # 加载数据
    business_df, user_df, review_df = load_data()

    # 检查是否存在已保存的社交网络图
    try:
        social_network = load_network('social_network.pkl')
        print("Loaded Social Network from 'social_network.pkl'.")
    except FileNotFoundError:
        # 构建社交网络
        social_network = build_social_network(user_df)
        # 保存社交网络图
        save_network(social_network, 'social_network.pkl')
        print("Social Network saved as 'social_network.pkl'.")

    # 提取特征
    final_df = extract_features(user_df, business_df, review_df, social_network)
    print("Merged DataFrame:")
    print(final_df.head())

    # 训练模型并进行预测
    predictions = train_model(final_df)
    print("Predictions:")
    print(predictions)

if __name__ == "__main__":
    main()

yelp数据集
03-24
yelp 数据集 可用于推荐系统 yelp数据集 yelp 数据集 推荐系统
Yelp数据集
11-28
用于基于地理位置的推荐系统数据集。 After preprocessing, the dataset contains 30,887 users, 18,995 POIs and 860,888 reviews.
基于YELP数据集的商业数据分析
pyouyou的博客
05-22 803
2.在进行清洗后的数据进行分析时会出现报错：pyspark : NameError: name 'spark' is not defined。多刷新两遍，问题就莫名其妙好了 （Spark运行需要等会儿，连点两下交互会重复打开Spark，会造成这个报错，所以耐心一点不会出错）原因：from pyspark.sql import SparkSession：我们导入的时候没有初始化，没有创捷spark对话。重新配置anaconda路径：使用命令vim ~/.bashrc配置环境为anaconda配置环境。
【大数据基础】基于YELP数据集的商业数据分析
Algernon98的博客
04-03 2469
在上述代码中，使用“距离洲内商家平均位置的欧式距离”来除去离群值。
Yelp数据集的结构
weixin_43259478的博客
07-27 7357
Yelp数据集的格式
基于前馈神经网络的自然语言处理
成长型选手+开源知识分享
06-10 1006
目录Feed-Forward Networks for Natural Language ProcessingThe Multilayer PerceptronA Simple Example: XORImplementing MLPs in PyTorchExample: Surname Classification with a Multilayer PerceptronThe Surname DatasetVocabulary, Vectorizer, and DataLoaderThe Surnam
基于前馈神经网络进行姓氏分类
m0_75226682的博客
06-25 964
在本次实验中，我们对多层感知机（MLP）模型和卷积神经网络（CNN）模型在姓氏分类任务上进行了研究。本实验不仅加深了对MLP和CNN两种前馈神经网络的理解，还通过实践展现了它们在姓氏地理来源分类任务中的应用潜力和局限性，为未来在文本分类领域的研究提供了有价值的参考和启示。
简单神经网络的应用--多层感知器的姓氏分类
qq_62499714的博客
06-22 1178
一、实验内容 我们通过观察感知器来介绍神经网络的基础，感知器是现存最简单的神经网络。感知器的一个历史性的缺点是它不能学习数据中存在的一些非常重要的模式。例如，查看图4-1中绘制的数据点。这相当于非此即彼(XOR)的情况，在这种情况下，决策边界不能是一条直线(也称为线性可分)。在这个例子中，感知器失败了。 图4-1 XOR数据集中的两个类绘制为圆形和星形。请注意，没有任何一行可以分隔这两个类。 在这一实验中，我们将探索传统上称为前馈网络的神经网络模型，以及两种前馈神经网络:多层感知器和卷积神经网络。
【科研导向】Outer Product-based Neural Collaborative Filtering (ConvNCF)基于外积的神经协同过滤＜论文理解&代码分析＞
weixin_41441616的博客
04-01 1778
Outer Product-based Neural Collaborative Filtering——IJCAI'18 文章简介 该文由何向南教授团队与17年发表在IW3C2，其核心思想在于结合了传统矩阵分解的易用性与神经网络对用户项目交互的高维感知力来提高最终推荐的性能表现。 Keywords: 协同过滤//神经网络//深度学习//矩阵分解//隐式反馈...
使用简单MLP和CNN实现姓氏分类
m0_62610939的博客
06-09 886
多层感知器(MLP)被认为是最基本的神经网络构建模块之一。感知器将数据向量作为输入，计算出一个输出值。在MLP中，许多感知器被分组，以便单个层的输出是一个新的向量，而不是单个输出值。在PyTorch中，正如您稍后将看到的，这只需设置线性层中的输出特性的数量即可完成。MLP的另一个方面是，它将多个层与每个层之间的非线性结合在一起。最简单的MLP，如图2所示，由三个表示阶段和两个线性层组成。第一阶段是输入向量。这是给定给模型的向量。
yelp-review-rating-prediction:针对Yelp数据集挑战的LDA，TF-IDF和机器学习模型
05-24
Yelp评论评级预测 概括 该项目的目的是使用评论文字来预测Yelp上的评论星级。 我们构建了以下模型，这些模型对评论数据进行文本分析以预测星级。 基准模型：最普遍的评级为3星，是该模型针对所有评论所预测的评级。 词频模型：在此模型中，我们使用单词出现的频率来预测评论等级。 LDA +情感模型：此模型通过使用潜在的狄利克雷分配（LDA）和附加的情感层，通过从评论文本中提取与评论相关的主题和情感来预测评分。 NMF +情感模型：在此模型中，我们通过从评论文本中提取与评论相关联的主题和情感，使用非负矩阵因子分解（NMF）预测评论评分，并使用附加的情感层。 我们在评估评论星级时达到了61％的准确性。 代码 大多数文件是IPython笔记本（带有JSON数据的.ipynb扩展名）。 在至少一个示例中使用以下模块： Python 2.7 NumPy 大熊猫 西皮 scikit学习
情感分析中的yelp及electronics数据集
02-18
情感分析中的英文数据集，document-level。包含yelp-large及electronics-large两类数据集。
Yelp_Dataset_Analysis：这是Yelp数据集的大数据分析
02-08
Yelp数据集分析 这是Yelp数据集的大数据分析。 数据可在以下网站找到： : 我无法将数据集放在此处，因为数据集超过3 gb。 但是我已经把我的ipynb文件放在这里了。 您可以从上述网站下载数据集并使用此ipynb文件运行。 此外，“数据集”文件夹列表中的一些其他文件的工作正在进行中。
【学习总结】python transformers 预处理 YelpReviewFull 数据集，并展示
weixin_40378209的博客
03-14 1188
python transformers 预处理 YelpReviewFull 数据集，并展示
探索Yelp数据集示例：开启本地数据分析之旅
gitblog_00081的博客
03-26 1000
探索Yelp数据集示例：开启本地数据分析之旅 去发现同类优质开源项目:https://gitcode.com/ 该项目，位于，是Yelp公司提供的一系列数据集示例，旨在帮助开发者和数据分析师更好地理解和处理实际商业数据。通过这些示例，你可以了解如何利用Python等工具进行数据清洗、探索和建模。 项目简介 Yelp的数据集包含了真实的业务信息，如商家评价、地理位置、营业时间等，提供了丰富的学习资源...
Yelp 数据集进行用户画像， 使用聚类做推荐
陈锐的技术笔记
10-30 953
使用 Yelp 数据集进行用户画像（User Profiling）是一项有趣的任务，可以理解用户的偏好、行为和特征。以下是总结的一个基本的步骤，帮助构建用户画像。
yelp数据集上识别潜在的热门商家
最新发布
陈锐的技术笔记
11-05 1535
yelp数据集是研究B2C业态的一个很好的数据集，要识别潜在的热门商家是一个多维度的分析过程，涉及用户行为、商家特征和社区结构等多个因素。从yelp数据集里我们可以挖掘到下面信息有助于识别热门商家。
利用PySpark进行商业洞察与可视化
OverlordDuke的博客
12-23 1164
通过本文所介绍的技术和方法，我们可以更好地理解YELP数据集中的商业信息，为创新和发展提供更明晰的方向。商业数据的深度分析不仅有助于创业者选择合适的市场和商业类型，也为投资者提供了更全面的投资建议。通过结合PySpark的高效数据处理和Flask、Echarts等技术的应用，我们可以更直观、更高效地获取商业洞察，为商业决策提供有力支持。在这个信息爆炸的时代，数据不仅是一种宝贵的资源，更是洞察商业趋势的关键。通过对这一数据集的深入分析，我们能够了解各种商业类型在不同城市的分布、用户对不同类型商家的评价等。
Yelp reviews - Full-数据集
不务正业的猿
08-25 1381
来自 2015 年 Yelp Dataset Challenge 数据集的 1,569,264 个样本。每个评级分别包含 130,000 个训练样本和 10,000 个 测试样本。 This article offers an empirical exploration on the use of character-level convolutional networks (ConvNets) for text classification. We constructed several large-s
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

CHEN_RUI_2200

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值