Si të instaloni dhe përdorni Apache PredictionIO për mësimin e makinerisë në CentOS 7

Parakushtet

Instaloni Java

Instaloni PredictionIO

Instaloni varësitë e nevojshme

Konfiguro mjedisin PredictionIO

Duke filluar PredictionIO

Zbatimi i një modeli motori

Përfundimi

Qasjet tradicionale për analizën e të dhënave janë të pamundura për t'u përdorur kur grupet e të dhënave arrijnë një madhësi të caktuar. Një alternativë moderne për analizimin e grupeve të mëdha të të dhënave është përdorimi i metodave të mësimit të makinerive. Mësimi i makinerive është në gjendje të prodhojë rezultate të sakta kur përdorni një algoritëm të shpejtë dhe efikas.

Apache PredictionIO është një server i mësimit të makinerive me burim të hapur që përdoret për të krijuar motorë parashikues për çdo detyrë të mësimit të makinës. Ai shkurton kohën e aplikimit të mësimit të makinerive nga laboratori në prodhim duke përdorur shabllone të personalizueshëm të motorit që mund të ndërtohen dhe vendosen shpejt. Ai siguron grumbullimin e të dhënave dhe komponentët e shërbimit, dhe abstrakton teknologjinë themelore për të ekspozuar një API që lejon zhvilluesit të fokusohen në komponentët e transformimit. Pasi serveri i motorit i PredictionIO të vendoset si një shërbim në internet, ai mund t'i përgjigjet pyetjeve dinamike në kohë reale.

Apache PredictionIO përbëhet nga komponentë të ndryshëm.

• Platforma PredictionIO : Një grumbull i mësimit të makinerive me burim të hapur i ndërtuar në krye të disa aplikacioneve me burim të hapur më të avancuar si Apache Spark, Apache Hadoop, Apache HBase dhe Elasticsearch.
• Serveri i ngjarjeve : Ky vazhdimisht mbledh të dhëna nga serveri juaj i uebit ose serveri i aplikacionit celular në modalitetin në kohë reale ose në modalitetin e grupit. Të dhënat e mbledhura mund të përdoren për të trajnuar motorin ose për të ofruar një pamje të unifikuar për analizën e të dhënave. Serveri i ngjarjeve përdor Apache HBase për të ruajtur të dhënat.
• Serveri i motorit: Serveri i motorit është përgjegjës për të bërë parashikimin aktual. Ai lexon të dhënat e trajnimit nga ruajtja e të dhënave dhe përdor një ose më shumë algoritme të mësimit të makinerive për ndërtimin e modeleve parashikuese. Një motor, pasi të vendoset si një shërbim ueb, u përgjigjet pyetjeve të bëra nga një aplikacion uebi ose celular duke përdorur REST API ose SDK.
• Galeria e shablloneve : Kjo galeri ofron lloje të ndryshme të modeleve të motorit të para-ndërtuar. Ju mund të zgjidhni një shabllon që është i ngjashëm me rastin tuaj të përdorimit dhe ta modifikoni atë sipas kërkesave tuaja.

Parakushtet

• Një shembull i serverit Vultr CentOS 7 me të paktën 8 GB RAM. Për qëllime testimi dhe zhvillimi, mund të zgjidhni një shembull me 4 GB RAM dhe një tjetër memorie shkëmbimi 4 GB .
• Një përdorues sudo .

Në këtë tutorial, ne do të përdorim 192.0.2.1si adresën IP publike të serverit. Zëvendësoni të gjitha dukuritë 192.0.2.1me adresën tuaj IP publike Vultr.

Përditësoni sistemin tuaj bazë duke përdorur udhëzuesin Si të përditësoni CentOS 7 . Pasi sistemi juaj të jetë përditësuar, vazhdoni të instaloni Java.

Instaloni Java

Shumë nga komponentët e PredictionIO kërkojnë që të funksionojë JDK, ose Java Development Kit, versioni 8. Ai mbështet OpenJDK dhe Oracle Java. Në këtë tutorial, ne do të instalojmë OpenJDK versionin 8.

OpenJDK mund të instalohet lehtësisht, pasi paketa është e disponueshme në depon e paracaktuar YUM.

sudo yum -y install java-1.8.0-openjdk-devel

Verifikoni versionin e Java për t'u siguruar që është instaluar saktë.

java -version

Do të merrni një rezultat të ngjashëm.

[user@vultr ~]$ java -version
openjdk version "1.8.0_151"
OpenJDK Runtime Environment (build 1.8.0_151-b12)
OpenJDK 64-Bit Server VM (build 25.151-b12, mixed mode)

Përpara se të vazhdojmë më tej, do të na duhet të vendosim variablat JAVA_HOMEdhe JRE_HOMEmjedisin. Gjeni rrugën absolute të ekzekutuesit JAVA në sistemin tuaj.

readlink -f $(which java)

Do të shihni një dalje të ngjashme.

[user@vultr ~]$ readlink -f $(which java)
/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.151-1.b12.el7_4.x86_64/jre/bin/java

Tani, vendosni variablin JAVA_HOMEdhe JRE_HOMEmjedisin sipas shtegut të drejtorisë Java.

echo "export JAVA_HOME=/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.151-1.b12.el7_4.x86_64" >> ~/.bash_profile
echo "export JRE_HOME=/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.151-1.b12.el7_4.x86_64/jre" >> ~/.bash_profile

Ekzekutoni bash_profileskedarin.

source ~/.bash_profile

Tani mund të ekzekutoni echo $JAVA_HOMEkomandën për të kontrolluar nëse ndryshorja e mjedisit është vendosur.

[user@vultr ~]$ echo $JAVA_HOME
/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.151-1.b12.el7_4.x86_64

Instaloni PredictionIO

Apache ofron skedarë burimi PredictionIO të cilët mund të shkarkohen dhe përpilohen në nivel lokal. Krijoni një drejtori të re të përkohshme për të shkarkuar dhe përpiluar skedarin burimor.

mkdir /tmp/pio_sourcefiles && cd /tmp/pio_sourcefiles

Shkarkoni arkivin e skedarit burimor PredictionIO duke përdorur çdo sajt të Apache Mirror .

wget http://apache.mirror.vexxhost.com/incubator/predictionio/0.12.0-incubating/apache-predictionio-0.12.0-incubating.tar.gz

Ekstraktoni arkivin dhe përpiloni burimin për të krijuar një shpërndarje të PredictionIO.

tar xf apache-predictionio-0.12.0-incubating.tar.gz
./make-distribution.sh

Shpërndarja e mësipërme do të ndërtohet kundër versionet e vonesës së varësi, të cilat janë Scala 2.11.8, Spark 2.1.1, Hadoop 2.7.3dhe ElasticSearch 5.5.2. Prisni që ndërtimi të përfundojë, do të duhen rreth dhjetë minuta për të përfunduar në varësi të performancës së sistemit tuaj.

Shënim : Jeni i lirë të përdorni versionin më të fundit të mbështetur të varësive, por mund të shihni disa paralajmërime gjatë ndërtimit pasi disa funksione mund të jenë të vjetruara. Ekzekutoni ./make-distribution.sh -Dscala.version=2.11.11 -Dspark.version=2.1.2 -Dhadoop.version=2.7.4 -Delasticsearch.version=5.5.3, duke zëvendësuar numrin e versionit sipas zgjedhjes suaj.

Pasi ndërtimi të përfundojë me sukses, do të shihni mesazhin e mëposhtëm në fund.

...
PredictionIO-0.12.0-incubating/python/pypio/__init__.py
PredictionIO-0.12.0-incubating/python/pypio/utils.py
PredictionIO-0.12.0-incubating/python/pypio/shell.py
PredictionIO binary distribution created at PredictionIO-0.12.0-incubating.tar.gz

Skedarët binare të PredictionIO do të ruhen në PredictionIO-0.12.0-incubating.tar.gzarkiv. Ekstraktoni arkivin në /optdrejtori dhe jepni pronësinë përdoruesit aktual.

sudo tar xf PredictionIO-0.12.0-incubating.tar.gz -C /opt/
sudo chown -R $USER:$USER /opt/PredictionIO-0.12.0-incubating

Vendosni PIO_HOMEvariablin e mjedisit.

echo "export PIO_HOME=/opt/PredictionIO-0.12.0-incubating" >> ~/.bash_profile
source ~/.bash_profile

Instaloni varësitë e nevojshme

Krijoni një direktori të re për të instaluar varësitë e PredictionIO si HBase, Sparkdhe Elasticsearch.

mkdir /opt/PredictionIO-0.12.0-incubating/vendors

Shkarkoni versionin 2.11.8 të Scala dhe nxirrni atë në vendorsdrejtori.

wget https://downloads.lightbend.com/scala/2.11.8/scala-2.11.8.tgz
tar xf scala-2.11.8.tgz -C /opt/PredictionIO-0.12.0-incubating/vendors

Shkarkoni versionin 2.7.3 të Apache Hadoop dhe nxirrni atë në vendorsdrejtori.

wget https://archive.apache.org/dist/hadoop/common/hadoop-2.7.3/hadoop-2.7.3.tar.gz
tar xf hadoop-2.7.3.tar.gz -C /opt/PredictionIO-0.12.0-incubating/vendors

Apache Spark është motori i parazgjedhur i përpunimit për PredictionIO. Shkarkoni versionin 2.1.1 të Spark dhe nxirrni atë në vendorsdrejtori.

wget https://archive.apache.org/dist/spark/spark-2.1.1/spark-2.1.1-bin-hadoop2.7.tgz
tar xf spark-2.1.1-bin-hadoop2.7.tgz -C /opt/PredictionIO-0.12.0-incubating/vendors

Shkarkoni versionin 5.5.2 të Elasticsearch dhe nxirrni atë në vendorsdrejtori.

wget https://artifacts.elastic.co/downloads/elasticsearch/elasticsearch-5.5.2.tar.gz
tar xf elasticsearch-5.5.2.tar.gz -C /opt/PredictionIO-0.12.0-incubating/vendors

Më në fund, shkarkoni versionin 1.2.6 të HBase dhe nxirrni atë në vendorsdrejtori.

wget https://archive.apache.org/dist/hbase/stable/hbase-1.2.6-bin.tar.gz
tar xf hbase-1.2.6-bin.tar.gz -C /opt/PredictionIO-0.12.0-incubating/vendors

Hapni hbase-site.xmlskedarin e konfigurimit për të konfiguruar HBase për të punuar në një mjedis të pavarur.

nano /opt/PredictionIO-0.12.0-incubating/vendors/hbase-1.2.6/conf/hbase-site.xml

Gjeni bllokun e konfigurimit bosh dhe zëvendësojeni atë me konfigurimin e mëposhtëm.

<configuration>
  <property>
    <name>hbase.rootdir</name>
    <value>file:///home/user/PredictionIO-0.12.0-incubating/vendors/hbase-1.2.6/data</value>
  </property>
  <property>
    <name>hbase.zookeeper.property.dataDir</name>
    <value>/home/user/PredictionIO-0.12.0-incubating/vendors/hbase-1.2.6/zookeeper</value>
  </property>
</configuration>

Drejtoria e të dhënave do të krijohet automatikisht nga HBase. Redaktoni skedarin e mjedisit HBase për të vendosur JAVA_HOMEshtegun.

nano /opt/PredictionIO-0.12.0-incubating/vendors/hbase-1.2.6/conf/hbase-env.sh

Hiqni nga komentet rreshtin numër 27 dhe vendosni JAVA_HOMEnë shtegun e jreinstalimit tuaj Java. Ju mund të gjeni shtegun për në ekzekutuesin JAVA duke përdorur readlink -f $(which java)komandën.

# The java implementation to use.  Java 1.7+ required.
export JAVA_HOME=/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.151-1.b12.el7_4.x86_64/jre

Gjithashtu, komentoni numrat e rreshtit 46 dhe 47 pasi ato nuk kërkohen për JAVA 8.

# Configure PermSize. Only needed in JDK7. You can safely remove it for JDK8+
# export HBASE_MASTER_OPTS="$HBASE_MASTER_OPTS -XX:PermSize=128m -XX:MaxPermSize=128m"
# export HBASE_REGIONSERVER_OPTS="$HBASE_REGIONSERVER_OPTS -XX:PermSize=128m -XX:MaxPermSize=128m"

Konfiguro mjedisin PredictionIO

Konfigurimi i paracaktuar në skedarin e mjedisit PredictionIO pio-env.shsupozon se ne po përdorim PostgreSQL ose MySQL. Meqë kemi përdorur HBase dhe Elasticsearch, do të na duhet të modifikojmë pothuajse çdo konfigurim në skedar. Është më mirë të bëni një kopje rezervë të skedarit ekzistues dhe të krijoni një skedar të ri mjedisor PredictionIO.

mv /opt/PredictionIO-0.12.0-incubating/conf/pio-env.sh /opt/PredictionIO-0.12.0-incubating/conf/pio-env.sh.bak

Now create a new file for PredictionIO environment configuration.

nano /opt/PredictionIO-0.12.0-incubating/conf/pio-env.sh

Populate the file with the following configuration.

# PredictionIO Main Configuration
#
# This section controls core behavior of PredictionIO. It is very likely that
# you need to change these to fit your site.

# SPARK_HOME: Apache Spark is a hard dependency and must be configured.
SPARK_HOME=$PIO_HOME/vendors/spark-2.1.1-bin-hadoop2.7

# POSTGRES_JDBC_DRIVER=$PIO_HOME/lib/postgresql-42.0.0.jar
# MYSQL_JDBC_DRIVER=$PIO_HOME/lib/mysql-connector-java-5.1.41.jar

# ES_CONF_DIR: You must configure this if you have advanced configuration for
#              your Elasticsearch setup.
ES_CONF_DIR=$PIO_HOME/vendors/elasticsearch-5.5.2/config

# HADOOP_CONF_DIR: You must configure this if you intend to run PredictionIO
#                  with Hadoop 2.
HADOOP_CONF_DIR=$PIO_HOME/vendors/spark-2.1.1-bin-hadoop2.7/conf

# HBASE_CONF_DIR: You must configure this if you intend to run PredictionIO
#                 with HBase on a remote cluster.
HBASE_CONF_DIR=$PIO_HOME/vendors/hbase-1.2.6/conf

# Filesystem paths where PredictionIO uses as block storage.
PIO_FS_BASEDIR=$HOME/.pio_store
PIO_FS_ENGINESDIR=$PIO_FS_BASEDIR/engines
PIO_FS_TMPDIR=$PIO_FS_BASEDIR/tmp

# PredictionIO Storage Configuration
#
# This section controls programs that make use of PredictionIO's built-in
# storage facilities. Default values are shown below.
#
# For more information on storage configuration please refer to
# http://predictionio.incubator.apache.org/system/anotherdatastore/

# Storage Repositories

# Default is to use PostgreSQL
PIO_STORAGE_REPOSITORIES_METADATA_NAME=pio_meta
PIO_STORAGE_REPOSITORIES_METADATA_SOURCE=ELASTICSEARCH

PIO_STORAGE_REPOSITORIES_EVENTDATA_NAME=pio_event
PIO_STORAGE_REPOSITORIES_EVENTDATA_SOURCE=HBASE

PIO_STORAGE_REPOSITORIES_MODELDATA_NAME=pio_model
PIO_STORAGE_REPOSITORIES_MODELDATA_SOURCE=LOCALFS

# Storage Data Sources

# PostgreSQL Default Settings
# Please change "pio" to your database name in PIO_STORAGE_SOURCES_PGSQL_URL
# Please change PIO_STORAGE_SOURCES_PGSQL_USERNAME and
# PIO_STORAGE_SOURCES_PGSQL_PASSWORD accordingly
# PIO_STORAGE_SOURCES_PGSQL_TYPE=jdbc
# PIO_STORAGE_SOURCES_PGSQL_URL=jdbc:postgresql://localhost/pio
# PIO_STORAGE_SOURCES_PGSQL_USERNAME=pio
# PIO_STORAGE_SOURCES_PGSQL_PASSWORD=pio

# MySQL Example
# PIO_STORAGE_SOURCES_MYSQL_TYPE=jdbc
# PIO_STORAGE_SOURCES_MYSQL_URL=jdbc:mysql://localhost/pio
# PIO_STORAGE_SOURCES_MYSQL_USERNAME=pio
# PIO_STORAGE_SOURCES_MYSQL_PASSWORD=pio

# Elasticsearch Example
PIO_STORAGE_SOURCES_ELASTICSEARCH_TYPE=elasticsearch
PIO_STORAGE_SOURCES_ELASTICSEARCH_HOSTS=localhost
PIO_STORAGE_SOURCES_ELASTICSEARCH_PORTS=9200
PIO_STORAGE_SOURCES_ELASTICSEARCH_SCHEMES=http
PIO_STORAGE_SOURCES_ELASTICSEARCH_CLUSTERNAME=pio
PIO_STORAGE_SOURCES_ELASTICSEARCH_HOME=$PIO_HOME/vendors/elasticsearch-5.5.2

# Optional basic HTTP auth
# PIO_STORAGE_SOURCES_ELASTICSEARCH_USERNAME=my-name
# PIO_STORAGE_SOURCES_ELASTICSEARCH_PASSWORD=my-secret
# Elasticsearch 1.x Example
# PIO_STORAGE_SOURCES_ELASTICSEARCH_TYPE=elasticsearch
# PIO_STORAGE_SOURCES_ELASTICSEARCH_CLUSTERNAME=<elasticsearch_cluster_name>
# PIO_STORAGE_SOURCES_ELASTICSEARCH_HOSTS=localhost
# PIO_STORAGE_SOURCES_ELASTICSEARCH_PORTS=9300
# PIO_STORAGE_SOURCES_ELASTICSEARCH_HOME=$PIO_HOME/vendors/elasticsearch-1.7.6

# Local File System Example
PIO_STORAGE_SOURCES_LOCALFS_TYPE=localfs
PIO_STORAGE_SOURCES_LOCALFS_PATH=$PIO_FS_BASEDIR/models

# HBase Example
PIO_STORAGE_SOURCES_HBASE_TYPE=hbase
PIO_STORAGE_SOURCES_HBASE_HOME=$PIO_HOME/vendors/hbase-1.2.6

# AWS S3 Example
# PIO_STORAGE_SOURCES_S3_TYPE=s3
# PIO_STORAGE_SOURCES_S3_BUCKET_NAME=pio_bucket
# PIO_STORAGE_SOURCES_S3_BASE_PATH=pio_model

Save the file and exit from the editor.

Open the Elasticsearch configuration file.

nano /opt/PredictionIO-0.12.0-incubating/vendors/elasticsearch-5.5.2/config/elasticsearch.yml

Uncomment the line and set the cluster name to exactly the same as the one provided in the PredictionIO environment file. The cluster name is set to pio in the above configuration.

# Use a descriptive name for your cluster:
#
cluster.name: pio

Now add the $PIO_HOME/bin directory into the PATH variable so that the PredictionIO executables are executed directly.

echo "export PATH=$PATH:$PIO_HOME/bin" >> ~/.bash_profile
source ~/.bash_profile

At this point, PredictionIO is successfully installed on your server.

Starting PredictionIO

You can start all the services in PredictionIO such as Elasticsearch, HBase and Event server using a single command.

pio-start-all

You will see the following output.

[user@vultr ~]$ pio-start-all
Starting Elasticsearch...
Starting HBase...
starting master, logging to /opt/PredictionIO-0.12.0-incubating/vendors/hbase-1.2.6/bin/../logs/hbase-user-master-vultr.guest.out
Waiting 10 seconds for Storage Repositories to fully initialize...
Starting PredictionIO Event Server...

Use the following command to check the status of the PredictionIO server.

pio status

You will see the following output.

[user@vultr ~]$ pio status
[INFO] [Management$] Inspecting PredictionIO...
[INFO] [Management$] PredictionIO 0.12.0-incubating is installed at /opt/PredictionIO-0.12.0-incubating
[INFO] [Management$] Inspecting Apache Spark...
[INFO] [Management$] Apache Spark is installed at /opt/PredictionIO-0.12.0-incubating/vendors/spark-2.1.1-bin-hadoop2.7
[INFO] [Management$] Apache Spark 2.1.1 detected (meets minimum requirement of 1.3.0)
[INFO] [Management$] Inspecting storage backend connections...
[INFO] [Storage$] Verifying Meta Data Backend (Source: ELASTICSEARCH)...
[INFO] [Storage$] Verifying Model Data Backend (Source: LOCALFS)...
[INFO] [Storage$] Verifying Event Data Backend (Source: HBASE)...
[INFO] [Storage$] Test writing to Event Store (App Id 0)...
[INFO] [HBLEvents] The namespace pio_event doesn't exist yet. Creating now...
[INFO] [HBLEvents] The table pio_event:events_0 doesn't exist yet. Creating now...
[INFO] [HBLEvents] Removing table pio_event:events_0...
[INFO] [Management$] Your system is all ready to go.

As we can see in the above messages, our system is ready to use for implementing an engine template and predicting data.

Implementing an Engine Template

Several ready to use engine templates are available on the PredictionIO Template Gallery which can be easily installed on the PredictionIO server. You are free to browse through the list of engine templates to find the one that is close to your requirements or you can write your own engine.

In this tutorial, we will implement the E-Commerce Recommendation engine template to demonstrate the functionality of PredictionIO server using some sample data. This engine template provides some personal recommendation to a user in an e-commerce website. By default, it has features such as excluding out of stock items or providing recommendations to a user who signs up after the model is trained. Also, by default, the engine template takes a user's view and buy events, items with categories and properties and list of unavailable items. Once the engine has been trained and deployed, you can send a query with the user id and number of items to be recommended. The generated output will be a ranked list of recommended item ids.

Install Git, as it will be used to clone the repository.

cd ~    
sudo yum -y install git

Clone the E-Commerce Recommender engine template on your system.

git clone https://github.com/apache/incubator-predictionio-template-ecom-recommender.git MyEComRecomm  

Create a new application for the E-Commerce Recommendation template engine. Each application in PredictionIO is used to store the data for a separate website. If you have multiple websites, then you can create multiple apps to store each website's data into a different application. You are free to choose any name for your application.

cd MyEComRecomm/
pio app new myecom

You will see the following output.

[user@vultr MyEComRecomm]$ pio app new myecom
[INFO] [HBLEvents] The table pio_event:events_1 doesn't exist yet. Creating now...
[INFO] [App$] Initialized Event Store for this app ID: 1.
[INFO] [Pio$] Created a new app:
[INFO] [Pio$]       Name: myecom
[INFO] [Pio$]         ID: 1
[INFO] [Pio$] Access Key: a_DnDr4uyvjsKRldPoJAFMuPvb-QBz-BhUFyGehXoTKbm89r00Gx4ygnqspTJx4t

The output above also contains the access key which will be used to authenticate when sending the input data to the event server.

You can always find the access key along with the list of available applications by running.

pio app list

You will see the following output containing a list of applications and the access key.

[user@vultr MyEComRecomm]$ pio app list
[INFO] [Pio$]                 Name |   ID |                                                       Access Key | Allowed Event(s)
[INFO] [Pio$]               myecom |    1 | a_DnDr4uyvjsKRldPoJAFMuPvb-QBz-BhUFyGehXoTKbm89r00Gx4ygnqspTJx4t | (all)
[INFO] [Pio$] Finished listing 1 app(s).

Now that we have created a new application, we will add some data to it. In the production environment, you would want to automatically send the data to the event server by integrating the event server API into the application. To learn how PredictionIO works, we will import some sample data into it. The template engine provides a Python script which can be easily used to import the sample data into the event server.

Install Python pip.

sudo yum -y install python-pip
sudo pip install --upgrade pip

Install PredictionIO Python SDK using pip.

sudo pip install predictionio

Run the Python script to add the sample data to the event server.

python data/import_eventserver.py --access_key a_DnDr4uyvjsKRldPoJAFMuPvb-QBz-BhUFyGehXoTKbm89r00Gx4ygnqspTJx4t

Make sure to replace the access key with your actual access key. You will see a similar output.

[user@vultr MyEComRecomm]$ python data/import_eventserver.py --access_key a_DnDr4uyvjsKRldPoJAFMuPvb-QBz-BhUFyGehXoTKbm89r00Gx4ygnqspTJx4t
Namespace(access_key='a_DnDr4uyvjsKRldPoJAFMuPvb-QBz-BhUFyGehXoTKbm89r00Gx4ygnqspTJx4t', url='http://localhost:7070')
{u'status': u'alive'}
Importing data...
('Set user', 'u1')
('Set user', 'u2')

...

('User', 'u10', 'buys item', 'i30')
('User', 'u10', 'views item', 'i40')
('User', 'u10', 'buys item', 'i40')
204 events are imported.

The above script imports 10 users, 50 items in 6 categories and some random events of purchase and views. To check if the events are imported or not, you can run the following query.

curl -i -X GET "http://localhost:7070/events.json?accessKey=a_DnDr4uyvjsKRldPoJAFMuPvb-QBz-BhUFyGehXoTKbm89r00Gx4ygnqspTJx4t"

Dalja do t'ju tregojë listën e të gjitha ngjarjeve të importuara në formatin JSON.

Tani hapni engine.jsonskedarin në redaktues. Ky skedar përmban konfigurimin e motorit.

nano engine.json

Gjeni të dyja dukuritë e appNamedhe zëvendësoni vlerën me emrin aktual të aplikacionit që keni krijuar më parë.

{
  "id": "default",
  "description": "Default settings",
  "engineFactory": "org.example.ecommercerecommendation.ECommerceRecommendationEngine",
  "datasource": {
    "params" : {
      "appName": "myecom"
    }
  },
  "algorithms": [
    {
      "name": "ecomm",
      "params": {
        "appName": "myecom",
        "unseenOnly": true,
        "seenEvents": ["buy", "view"],
        "similarEvents": ["view"],
        "rank": 10,
        "numIterations" : 20,
        "lambda": 0.01,
        "seed": 3
      }
    }
  ]
}

Ndërtoni aplikacionin.

pio build --verbose

Nëse nuk dëshironi të shihni mesazhet e regjistrit, hiqni --verboseopsionin. Ndërtimi i shabllonit të motorit për herë të parë do të zgjasë disa minuta. Ju do të shihni një dalje të ngjashme kur ndërtimi të përfundojë me sukses.

[user@vultr MyEComRecomm]$ pio build --verbose
[INFO] [Engine$] Using command '/opt/PredictionIO-0.12.0-incubating/sbt/sbt' at /home/user/MyEComRecomm to build.

...

[INFO] [Engine$] Build finished successfully.
[INFO] [Pio$] Your engine is ready for training.

Trajnoni motorin tani. Gjatë trajnimit, motori analizon grupin e të dhënave dhe stërvit veten sipas algoritmit të dhënë.

pio train

Përpara se të vendosim aplikacionin, do të na duhet të hapim portën në 8000mënyrë që statusi i aplikacionit të mund të shihet në Web GUI. Gjithashtu, faqet e internetit dhe aplikacionet që përdorin serverin e ngjarjeve do të dërgojnë dhe marrin pyetjet e tyre përmes këtij porti.

sudo firewall-cmd --zone=public --permanent --add-port=8000/tcp
sudo firewall-cmd --reload

Tani mund të vendosni motorin PredictionIO.

pio deploy

Komanda e mësipërme do të vendosë motorin dhe serverin e integruar të uebit në port 8000për t'iu përgjigjur pyetjeve nga faqet e internetit dhe aplikacionet e tregtisë elektronike. Do të shihni daljen e mëposhtme në fund pasi motori të vendoset me sukses.

[INFO] [HttpListener] Bound to /0.0.0.0:8000
[INFO] [MasterActor] Engine is deployed and running. Engine API is live at http://0.0.0.0:8000.

Ju mund të verifikoni statusin e motorit duke shkuar te http://192.0.2.1:8000duke përdorur çdo shfletues modern. Sigurohuni që ta zëvendësoni 192.0.2.1me adresën tuaj IP aktuale Vultr.

Kjo do të thotë që modeli i motorit për rekomandimin e E-Commerce është vendosur dhe funksionon me sukses. Ju mund të kërkoni shabllonin e motorit për të marrë pesë rekomandime për përdoruesin u5duke ekzekutuar pyetjen e mëposhtme në një sesion të ri terminali.

curl -H "Content-Type: application/json" \
-d '{ "user": "u5", "num": 5 }' \
http://localhost:8000/queries.json

Ju do të shihni rekomandimet e krijuara për përdoruesit u5.

[user@vultr ~]$ curl -H "Content-Type: application/json" \
> -d '{ "user": "u5", "num": 5 }' \
> http://localhost:8000/queries.json
{"itemScores":[{"item":"i25","score":0.9985169366745619},{"item":"i10","score":0.996613946803819},{"item":"i27","score":0.996613946803819},{"item":"i17","score":0.9962796867639341},{"item":"i8","score":0.9955868705972656}]}

Përfundimi

Urime, Apache PredictionIO është vendosur me sukses në serverin tuaj. Tani mund të përdorni API-në e serverit të ngjarjeve për të importuar të dhënat në motor për të parashikuar rekomandimet për përdoruesin. Nëse dëshironi, mund të përdorni disa shabllone të tjerë nga galeria e shablloneve. Sigurohuni që të shikoni modelin e motorit Universal Recommender i cili mund të përdoret pothuajse në të gjitha rastet e përdorimit, duke përfshirë tregtinë elektronike, lajmet ose videot.