Apache PredictionIO:n asentaminen ja käyttäminen koneoppimisessa CentOS 7:ssä

Perinteisiä lähestymistapoja data-analyysiin ei voida käyttää, kun tietojoukot saavuttavat tietyn koon. Moderni vaihtoehto valtavien tietojoukkojen analysoinnille on koneoppimismenetelmien käyttö. Koneoppiminen pystyy tuottamaan tarkkoja tuloksia käyttämällä nopeaa ja tehokasta algoritmia.

Apache PredictionIO on avoimen lähdekoodin koneoppimispalvelin, jota käytetään luomaan ennakoivia moottoreita mihin tahansa koneoppimistehtävään. Se lyhentää koneoppimissovelluksen aikaa laboratoriosta tuotantoon käyttämällä mukautettavia moottorimalleja, jotka voidaan rakentaa ja ottaa käyttöön nopeasti. Se tarjoaa tiedonkeruu- ja palvelukomponentit ja tiivistää taustalla olevaa teknologiaa paljastaakseen API:n, jonka avulla kehittäjät voivat keskittyä muunnoskomponentteihin. Kun PredictionIO:n moottoripalvelin on otettu käyttöön verkkopalveluna, se voi vastata dynaamisiin kyselyihin reaaliajassa.

Apache PredictionIO koostuu eri komponenteista.

• PredictionIO-alusta : Avoimen lähdekoodin koneoppimispino, joka on rakennettu joidenkin huippuluokan avoimen lähdekoodin sovellusten, kuten Apache Spark, Apache Hadoop, Apache HBase ja Elasticsearch, päälle.
• Tapahtumapalvelin : Tämä kerää jatkuvasti tietoja verkkopalvelimeltasi tai mobiilisovelluspalvelimeltasi reaaliaikaisessa tilassa tai erätilassa. Kerättyjä tietoja voidaan käyttää moottorin kouluttamiseen tai yhtenäisen näkymän luomiseen tietojen analysointiin. Tapahtumapalvelin käyttää Apache HBasea tietojen tallentamiseen.
• Moottoripalvelin : Moottoripalvelin on vastuussa varsinaisen ennusteen tekemisestä. Se lukee harjoitustiedot tietovarastosta ja käyttää yhtä tai useampaa koneoppimisalgoritmia ennustavien mallien rakentamiseen. Verkkopalveluna käyttöön otettu moottori vastaa verkko- tai mobiilisovelluksen tekemiin kyselyihin REST API:n tai SDK:n avulla.
• Malligalleria : Tämä galleria tarjoaa erilaisia ​​valmiiksi rakennettuja moottorimalleja. Voit valita mallin, joka on samanlainen kuin käyttötapasi, ja muokata sitä tarpeidesi mukaan.

Edellytykset

• Vultr CentOS 7 -palvelinesiintymä, jossa on vähintään 8 Gt RAM-muistia. Testaus- ja kehitystarkoituksiin voit valita esiintymän, jossa on 4 Gt RAM-muistia ja toinen 4 Gt sivumuisti .
• Sudo käyttäjä .

Tässä opetusohjelmassa käytämme 192.0.2.1palvelimen julkisena IP-osoitteena. Korvaa kaikki esiintymät 192.0.2.1Vultr julkisella IP-osoitteellasi.

Päivitä perusjärjestelmäsi CentOS 7:n päivittäminen -oppaan avulla . Kun järjestelmäsi on päivitetty, jatka Javan asentamista.

Asenna Java

Monet PredictionIO:n komponentit vaativat JDK:n tai Java Development Kitin version 8 toimiakseen. Se tukee sekä OpenJDK:ta että Oracle Javaa. Tässä opetusohjelmassa asennamme OpenJDK-version 8.

OpenJDK on helppo asentaa, koska paketti on saatavilla oletusarvoisessa YUM-arkistossa.

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

Tarkista Java-versio varmistaaksesi, että se on asennettu oikein.

java -version

Saat samanlaisen tulosteen.

[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)

Ennen kuin voimme jatkaa, meidän on määritettävä JAVA_HOMEja JRE_HOMEympäristömuuttujat. Etsi JAVA-suoritettavan tiedoston absoluuttinen polku järjestelmästäsi.

readlink -f $(which java)

Näet samanlaisen tulosteen.

[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

Aseta nyt JAVA_HOMEja JRE_HOMEympäristömuuttuja Java-hakemiston polun mukaan.

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

Suorita bash_profiletiedosto.

source ~/.bash_profile

Nyt voit suorittaa echo $JAVA_HOMEkomennon tarkistaaksesi, onko ympäristömuuttuja asetettu.

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

Asenna PredictionIO

Apache tarjoaa PredictionIO-lähdetiedostoja, jotka voidaan ladata ja kääntää paikallisesti. Luo uusi väliaikainen hakemisto lähdetiedoston lataamista ja kääntämistä varten.

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

Lataa PredictionIO-lähdetiedostoarkisto millä tahansa Apache Mirror -sivustolla .

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

Pura arkisto ja käännä lähde PredictionIO-jakelun luomiseksi.

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

Yllä oleva jakelu rakennetaan riippuvuuksien oletusversioita vastaan, jotka ovat Scala 2.11.8, Spark 2.1.1, Hadoop 2.7.3ja ElasticSearch 5.5.2. Odota koontiversion valmistumista. Se kestää noin kymmenen minuuttia järjestelmän suorituskyvystä riippuen.

Huomautus : Voit vapaasti käyttää uusinta tuettua versiota riippuvuuksista, mutta saatat nähdä joitain varoituksia koonnon aikana, koska jotkin toiminnot saattavat olla vanhentuneita. Suorita ./make-distribution.sh -Dscala.version=2.11.11 -Dspark.version=2.1.2 -Dhadoop.version=2.7.4 -Delasticsearch.version=5.5.3ja korvaa versionumero valintasi mukaan.

Kun rakennus on valmis, näet seuraavan viestin lopussa.

...
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

PredictionIO-binääritiedostot tallennetaan PredictionIO-0.12.0-incubating.tar.gzarkistoon. Pura arkisto /opthakemistosta ja anna omistusoikeus nykyiselle käyttäjälle.

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

Aseta PIO_HOMEympäristömuuttuja.

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

Asenna vaaditut riippuvuudet

Luo uusi hakemisto asentaa PredictionIO riippuvuudet, kuten HBase, Sparkja Elasticsearch.

mkdir /opt/PredictionIO-0.12.0-incubating/vendors

Lataa Scala-versio 2.11.8 ja pura se vendorshakemistoon.

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

Lataa Apache Hadoop -versio 2.7.3 ja pura se vendorshakemistoon.

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 on PredictionIO:n oletuskäsittelymoottori. Lataa Spark-versio 2.1.1 ja pura se vendorshakemistoon.

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

Lataa Elasticsearch-versio 5.5.2 ja pura se vendorshakemistoon.

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

Lataa lopuksi HBase-versio 1.2.6 ja pura se vendorshakemistoon.

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

Avaa hbase-site.xmlmääritystiedosto määrittääksesi HBase toimimaan erillisessä ympäristössä.

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

Etsi tyhjä konfigurointilohko ja korvaa se seuraavalla kokoonpanolla.

<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>

HBase luo tietohakemiston automaattisesti. Määritä JAVA_HOMEpolku muokkaamalla HBase-ympäristötiedostoa .

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

Poista rivin numero 27 kommentit ja aseta Java-asennuksesi JAVA_HOMEpolku jre. Löydät JAVA-suoritettavan tiedoston polun readlink -f $(which java)komennolla.

# 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

Kommentoi myös rivien numerot 46 ja 47, koska niitä ei vaadita JAVA 8:ssa.

# 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"

Määritä PredictionIO-ympäristö

PredictionIO-ympäristötiedoston oletuskokoonpano pio-env.sholettaa, että käytämme PostgreSQL- tai MySQL-tiedostoa. Koska olemme käyttäneet HBasea ja Elasticsearchia, joudumme muokkaamaan lähes kaikkia tiedoston määrityksiä. On parasta ottaa varmuuskopio olemassa olevasta tiedostosta ja luoda uusi PredictionIO-ympäristötiedosto.

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).

Nyt kun olemme luoneet uuden sovelluksen, lisäämme siihen tietoja. Tuotantoympäristössä haluat lähettää tiedot automaattisesti tapahtumapalvelimelle integroimalla tapahtumapalvelimen API sovellukseen. Oppiaksesi kuinka PredictionIO toimii, tuomme siihen näytetietoja. Mallimoottori tarjoaa Python-skriptin, jonka avulla voidaan helposti tuoda näytetiedot tapahtumapalvelimelle.

Asenna Python pip.

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

Asenna PredictionIO Python SDK pip:n avulla.

sudo pip install predictionio

Suorita Python-skripti lisätäksesi näytetiedot tapahtumapalvelimeen.

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

Muista vaihtaa pääsyavain todelliseen pääsyavaimeesi. Näet samanlaisen tulosteen.

[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.

Yllä oleva skripti tuo 10 käyttäjää, 50 tuotetta 6 kategoriassa ja joitain satunnaisia ​​osto- ja katselutapahtumia. Voit tarkistaa, onko tapahtumat tuotu vai ei, suorittamalla seuraavan kyselyn.

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

Tulos näyttää luettelon kaikista tuoduista tapahtumista JSON-muodossa.

Avaa nyt engine.jsontiedosto editoriin. Tämä tiedosto sisältää moottorin asetukset.

nano engine.json

Etsi molemmat esiintymät appNameja korvaa arvo aiemmin luomasi sovelluksen todellisella nimellä.

{
  "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
      }
    }
  ]
}

Rakenna sovellus.

pio build --verbose

Jos et halua nähdä lokiviestejä, poista --verbosevaihtoehto. Moottorimallin rakentaminen ensimmäistä kertaa kestää muutaman minuutin. Näet samanlaisen tulosteen, kun rakennus on valmis.

[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.

Harjoittele moottoria nyt. Koulutuksen aikana moottori analysoi tietojoukon ja harjoittelee itseään toimitetun algoritmin mukaisesti.

pio train

Ennen kuin otamme sovelluksen käyttöön, meidän on avattava portti, 8000jotta sovelluksen tila voidaan tarkastella verkkokäyttöliittymässä. Myös tapahtumapalvelinta käyttävät verkkosivustot ja sovellukset lähettävät ja vastaanottavat kyselynsä tämän portin kautta.

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

Nyt voit ottaa PredictionIO-moottorin käyttöön.

pio deploy

Yllä oleva komento ottaa käyttöön moottorin ja sisäänrakennetun verkkopalvelimen portissa 8000vastaamaan verkkokauppasivustojen ja -sovellusten kyselyihin. Näet seuraavan tulosteen lopussa, kun moottori on otettu käyttöön onnistuneesti.

[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.

Voit tarkistaa moottorin tilan menemällä http://192.0.2.1:8000millä tahansa nykyaikaisella selaimella. Varmista, että vaihdat 192.0.2.1todelliseen Vultr IP-osoitteeseen.

Tämä tarkoittaa, että sähköisen kaupankäynnin suosituksen moottorimalli on otettu käyttöön ja toimii onnistuneesti. Voit hakea moottorimallin kyselyllä viisi suositusta käyttäjälle u5suorittamalla seuraavan kyselyn uudessa pääteistunnossa.

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

Näet käyttäjälle luodut suositukset 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}]}

Käärimistä

Onnittelut, Apache PredictionIO on otettu käyttöön palvelimellasi. Voit nyt käyttää tapahtumapalvelimen API:ta tietojen tuomiseen moottoriin ennustaaksesi suosituksia käyttäjälle. Halutessasi voit käyttää joitain muita malleja malligalleriassa. Muista tutustua Universal Recommender -moottorimalliin, jota voidaan käyttää lähes kaikissa käyttötapauksissa, mukaan lukien sähköinen kaupankäynti, uutiset tai videot.