Sådan installeres og bruges Apache PredictionIO til maskinlæring på CentOS 7

Traditionelle tilgange til dataanalyse er umulige at bruge, når datasæt når en vis størrelse. Et moderne alternativ til at analysere de enorme datasæt er at bruge maskinlæringsmetoder. Maskinlæring er i stand til at producere nøjagtige resultater, når du bruger en hurtig og effektiv algoritme.

Apache PredictionIO er en open source maskinlæringsserver, der bruges til at skabe forudsigelige motorer til enhver maskinlæringsopgave. Det forkorter tiden for maskinlæringsapplikationer fra laboratorium til produktion ved at bruge tilpassede motorskabeloner, som kan bygges og implementeres hurtigt. Det leverer dataindsamlings- og serveringskomponenterne og abstraherer underliggende teknologi for at afsløre en API, der giver udviklere mulighed for at fokusere på transformationskomponenter. Når motorserveren til PredictionIO er implementeret som en webservice, kan den reagere på dynamiske forespørgsler i realtid.

Apache PredictionIO består af forskellige komponenter.

• PredictionIO Platform : En open source maskinlæringsstabel bygget oven på nogle avancerede open source-applikationer såsom Apache Spark, Apache Hadoop, Apache HBase og Elasticsearch.
• Hændelsesserver : Denne indsamler løbende data fra din webserver eller mobilapplikationsserver i realtidstilstand eller batchtilstand. De indsamlede data kan bruges til at træne motoren eller til at give en samlet visning til dataanalyse. Hændelsesserveren bruger Apache HBase til at gemme dataene.
• Motorserver : Motorserveren er ansvarlig for at lave den faktiske forudsigelse. Den læser træningsdataene fra datalageret og bruger en eller flere maskinlæringsalgoritmer til at bygge de prædiktive modeller. En motor, når den er implementeret som en webservice, reagerer på forespørgsler fra en web- eller mobilapp ved hjælp af REST API eller SDK.
• Skabelongalleri : Dette galleri tilbyder forskellige typer præbyggede motorskabeloner. Du kan vælge en skabelon, der ligner din use case og ændre den i overensstemmelse med dine krav.

Forudsætninger

• En Vultr CentOS 7-serverinstans med mindst 8 GB RAM. Til test- og udviklingsformål kan du vælge en instans med 4 GB RAM og en anden 4 GB swap-hukommelse .
• En sudo-bruger .

I denne vejledning vil vi bruge 192.0.2.1som serverens offentlige IP-adresse. Erstat alle forekomster af 192.0.2.1med din Vultr offentlige IP-adresse.

Opdater dit basissystem ved hjælp af vejledningen Sådan opdaterer du CentOS 7 . Når dit system er blevet opdateret, skal du fortsætte med at installere Java.

Installer Java

Mange af komponenterne i PredictionIO kræver JDK, eller Java Development Kit, version 8 for at fungere. Det understøtter både OpenJDK og Oracle Java. I denne tutorial installerer vi OpenJDK version 8.

OpenJDK kan nemt installeres, da pakken er tilgængelig i standard YUM repository.

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

Bekræft Javas version for at sikre, at den blev installeret korrekt.

java -version

Du vil få et lignende output.

[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)

Før vi kan gå videre, bliver vi nødt til at opsætte JAVA_HOMEog JRE_HOMEmiljøvariablerne. Find den absolutte sti til den eksekverbare JAVA i dit system.

readlink -f $(which java)

Du vil se et lignende output.

[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

Nu, sæt JAVA_HOMEog JRE_HOMEmiljø variabel i henhold til stien af Java biblioteket.

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

Udfør bash_profilefilen.

source ~/.bash_profile

Nu kan du køre echo $JAVA_HOMEkommandoen for at kontrollere, om miljøvariablen er indstillet.

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

Installer PredictionIO

Apache leverer PredictionIO-kildefiler, som kan downloades og kompileres lokalt. Opret en ny midlertidig mappe for at downloade og kompilere kildefilen.

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

Download PredictionIO-kildefilarkivet ved hjælp af et hvilket som helst Apache Mirror-websted .

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

Udpak arkivet og kompilér kilden for at skabe en distribution af PredictionIO.

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

Ovenstående distribution vil blive bygget mod standardversionerne af afhængighederne, som er Scala 2.11.8, Spark 2.1.1, Hadoop 2.7.3og ElasticSearch 5.5.2. Vent til opbygningen er færdig, det vil tage omkring ti minutter at fuldføre afhængigt af dit systems ydeevne.

Bemærk : Du kan frit bruge den seneste understøttede version af afhængighederne, men du kan muligvis se nogle advarsler under opbygningen, da nogle funktioner kan være forældede. Kør ./make-distribution.sh -Dscala.version=2.11.11 -Dspark.version=2.1.2 -Dhadoop.version=2.7.4 -Delasticsearch.version=5.5.3, og udskift versionsnummeret efter dit valg.

Når opbygningen er afsluttet, vil du se følgende meddelelse i slutningen.

...
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

De binære PredictionIO-filer vil blive gemt i PredictionIO-0.12.0-incubating.tar.gzarkivet. Udpak arkivet i /optmappen og giv ejerskabet til den nuværende bruger.

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

Indstil PIO_HOMEmiljøvariablen.

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

Installer påkrævede afhængigheder

Opret en ny mappe for at installere PredictionIO-afhængigheder såsom HBase, Sparkog Elasticsearch.

mkdir /opt/PredictionIO-0.12.0-incubating/vendors

Download Scala version 2.11.8 og pak den ud i vendorsmappen.

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

Download Apache Hadoop version 2.7.3 og pak den ud i vendorsmappen.

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 er standardbehandlingsmotoren for PredictionIO. Download Spark version 2.1.1 og pak den ud i vendorsmappen.

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

Download Elasticsearch version 5.5.2 og pak den ud i vendorsmappen.

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

Til sidst skal du downloade HBase version 1.2.6 og udpakke den i vendorsmappen.

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

Åbn hbase-site.xmlkonfigurationsfilen for at konfigurere HBase til at arbejde i et selvstændigt miljø.

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

Find den tomme konfigurationsblok og erstat den med følgende konfiguration.

<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>

Databiblioteket oprettes automatisk af HBase. Rediger HBase-miljøfilen for at angive JAVA_HOMEstien.

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

Fjern kommentarer til linje nummer 27 og indstil JAVA_HOMEstien til jredin Java-installation. Du kan finde stien til den eksekverbare JAVA ved hjælp af readlink -f $(which java)kommandoen.

# 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

Kommenter også linjenummer 46 og 47, da de ikke er nødvendige for 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"

Konfigurer PredictionIO-miljøet

Standardkonfigurationen i PredictionIO-miljøfilen pio-env.shantager, at vi bruger PostgreSQL eller MySQL. Da vi har brugt HBase og Elasticsearch, bliver vi nødt til at ændre næsten alle konfigurationer i filen. Det er bedst at tage en sikkerhedskopi af den eksisterende fil og oprette en ny PredictionIO miljøfil.

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

Opret nu en ny fil til PredictionIO-miljøkonfiguration.

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

Udfyld filen med følgende konfiguration.

# 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

Gem filen og afslut editoren.

Åbn Elasticsearch-konfigurationsfilen.

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

Fjern kommentering af linjen, og indstil klyngenavnet til nøjagtig det samme som det, der er angivet i PredictionIO-miljøfilen. Klyngenavnet er indstillet til pioi ovenstående konfiguration.

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

Tilføj nu $PIO_HOME/binmappen til PATH-variablen, så PredictionIO-eksekverbare filer eksekveres direkte.

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

På dette tidspunkt er PredictionIO installeret på din server.

Starter PredictionIO

Du kan starte alle tjenesterne i PredictionIO såsom Elasticsearch, HBase og Event server ved hjælp af en enkelt kommando.

pio-start-all

Du vil se følgende 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...

Brug følgende kommando til at kontrollere status for PredictionIO-serveren.

pio status

Du vil se følgende 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).

Nu hvor vi har oprettet en ny applikation, vil vi tilføje nogle data til den. I produktionsmiljøet vil du automatisk sende dataene til hændelsesserveren ved at integrere hændelsesserverens API i applikationen. For at lære, hvordan PredictionIO fungerer, importerer vi nogle eksempeldata til den. Skabelonmotoren leverer et Python-script, som nemt kan bruges til at importere eksempeldata til hændelsesserveren.

Installer Python pip.

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

Installer PredictionIO Python SDK ved hjælp af pip.

sudo pip install predictionio

Kør Python-scriptet for at tilføje eksempeldataene til hændelsesserveren.

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

Sørg for at erstatte adgangsnøglen med din faktiske adgangsnøgle. Du vil se et lignende 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.

Ovenstående script importerer 10 brugere, 50 varer i 6 kategorier og nogle tilfældige begivenheder med køb og visninger. For at kontrollere, om begivenhederne er importeret eller ej, kan du køre følgende forespørgsel.

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

Outputtet viser dig listen over alle importerede hændelser i JSON-format.

Åbn nu engine.jsonfilen i editoren. Denne fil indeholder konfigurationen af ​​motoren.

nano engine.json

Find både forekomsterne af appNameog erstat værdien med det faktiske navn på den app, du har oprettet tidligere.

{
  "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
      }
    }
  ]
}

Byg applikationen.

pio build --verbose

Hvis du ikke ønsker at se logmeddelelserne, skal du fjerne --verboseindstillingen. Opbygning af motorskabelonen for første gang vil tage nogle minutter. Du vil se et lignende output, når buildet er afsluttet.

[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.

Træn motoren nu. Under træningen analyserer motoren datasættet og træner sig selv i henhold til den medfølgende algoritme.

pio train

Før vi implementerer applikationen, skal vi åbne porten, 8000så applikationens status kan ses på web-grænsefladen. Desuden vil websteder og applikationer, der bruger hændelsesserveren, sende og modtage deres forespørgsler via denne port.

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

Nu kan du implementere PredictionIO-motoren.

pio deploy

Ovenstående kommando vil implementere motoren og den indbyggede webserver på porten for 8000at svare på forespørgslerne fra e-handelswebsteder og applikationer. Du vil se følgende output til sidst, når motoren er installeret.

[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.

Du kan bekræfte motorens status ved at gå til en http://192.0.2.1:8000hvilken som helst moderne browser. Sørg for at erstatte 192.0.2.1med din faktiske Vultr IP-adresse.

Dette betyder, at motorskabelonen til e-handelsanbefaling er implementeret og kører med succes. Du kan forespørge motorskabelonen for at hente fem anbefalinger til brugeren u5ved at køre følgende forespørgsel i en ny terminalsession.

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

Du vil se de genererede anbefalinger til brugeren 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}]}

Afslutter

Tillykke, Apache PredictionIO er blevet implementeret på din server. Du kan nu bruge hændelsesserverens API til at importere dataene til motoren for at forudsige anbefalingerne til brugeren. Hvis du vil, kan du bruge nogle andre skabeloner fra skabelongalleriet. Sørg for at tjekke Universal Recommender- motorskabelonen, som kan bruges i næsten alle tilfælde, inklusive e-handel, nyheder eller video.