Kako instalirati i koristiti Apache PredictionIO za strojno učenje na CentOS 7

Tradicionalne pristupe analizi podataka nemoguće je koristiti kada skupovi podataka dosegnu određenu veličinu. Moderna alternativa analizi golemih skupova podataka je korištenje metoda strojnog učenja. Strojno učenje može proizvesti točne rezultate kada se koristi brz i učinkovit algoritam.

Apache PredictionIO je open source poslužitelj za strojno učenje koji se koristi za stvaranje prediktivnih mehanizama za bilo koji zadatak strojnog učenja. Skraćuje vrijeme primjene strojnog učenja od laboratorija do proizvodnje korištenjem prilagodljivih predložaka motora koji se mogu brzo izgraditi i implementirati. Pruža komponente za prikupljanje i posluživanje podataka te apstrahira temeljnu tehnologiju kako bi otkrio API koji omogućuje programerima da se usredotoče na komponente transformacije. Nakon što se poslužitelj motora PredictionIO implementira kao web usluga, može odgovoriti na dinamičke upite u stvarnom vremenu.

Apache PredictionIO se sastoji od različitih komponenti.

• PredictionIO Platforma : stog strojnog učenja otvorenog koda izgrađen na vrhu neke najsuvremenije aplikacije otvorenog koda kao što su Apache Spark, Apache Hadoop, Apache HBase i Elasticsearch.
• Poslužitelj događaja : Kontinuirano prikuplja podatke s vašeg web poslužitelja ili poslužitelja mobilnih aplikacija u stvarnom vremenu ili skupnom načinu rada. Prikupljeni podaci mogu se koristiti za obuku motora ili za pružanje jedinstvenog pogleda za analizu podataka. Poslužitelj događaja koristi Apache HBase za pohranu podataka.
• Poslužitelj motora : Poslužitelj motora odgovoran je za izradu stvarnog predviđanja. Čita podatke o obuci iz pohrane podataka i koristi jedan ili više algoritama strojnog učenja za izgradnju prediktivnih modela. Motor, nakon što se implementira kao web-usluga, odgovara na upite koje postavlja web ili mobilna aplikacija koristeći REST API ili SDK.
• Galerija predložaka : Ova galerija nudi razne vrste unaprijed izrađenih predložaka motora. Možete odabrati predložak koji je sličan vašem slučaju upotrebe i modificirati ga prema vašim zahtjevima.

Preduvjeti

• Instanca poslužitelja Vultr CentOS 7 s najmanje 8 GB RAM-a. U svrhu testiranja i razvoja, možete odabrati instancu s 4 GB RAM-a i još 4 GB zamjenske memorije .
• Korisnik sudoa .

U ovom vodiču ćemo koristiti 192.0.2.1kao javnu IP adresu poslužitelja. Zamijenite sva pojavljivanja 192.0.2.1sa svojom javnom IP adresom Vultr.

Ažurirajte svoj osnovni sustav pomoću vodiča Kako ažurirati CentOS 7 . Nakon što se vaš sustav ažurira, nastavite s instalacijom Jave.

Instalirajte Javu

Mnoge komponente PredictionIO zahtijevaju JDK, ili Java Development Kit, verzija 8 za rad. Podržava i OpenJDK i Oracle Java. U ovom vodiču instalirat ćemo OpenJDK verziju 8.

OpenJDK se može lako instalirati, jer je paket dostupan u zadanom YUM spremištu.

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

Provjerite verziju Jave kako biste bili sigurni da je ispravno instalirana.

java -version

Dobit ćete sličan izlaz.

[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)

Prije nego što nastavimo dalje, morat ćemo postaviti varijable okruženja JAVA_HOMEi JRE_HOME. Pronađite apsolutni put JAVA izvršne datoteke u vašem sustavu.

readlink -f $(which java)

Vidjet ćete sličan izlaz.

[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

Sada postavite JAVA_HOMEi JRE_HOMEvarijablu okoline prema putu Java direktorija.

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

Izvršite bash_profiledatoteku.

source ~/.bash_profile

Sada možete pokrenuti echo $JAVA_HOMEnaredbu da provjerite je li varijabla okruženja postavljena.

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

Instalirajte PredictionIO

Apache pruža izvorne datoteke PredictionIO koje se mogu lokalno preuzeti i sastaviti. Napravite novi privremeni direktorij za preuzimanje i prevođenje izvorne datoteke.

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

Preuzmite arhivu izvorne datoteke PredictionIO koristeći bilo koju stranicu Apache Mirror .

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

Ekstrahirajte arhivu i kompajlirajte izvor kako biste stvorili distribuciju PredictionIO.

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

Gornja distribucija bit će izgrađena prema zadanim verzijama ovisnosti, a to su Scala 2.11.8, Spark 2.1.1, Hadoop 2.7.3i ElasticSearch 5.5.2. Pričekajte da se izgradnja završi, bit će potrebno oko deset minuta da se završi, ovisno o performansama vašeg sustava.

Napomena : Slobodno možete koristiti najnoviju podržanu verziju ovisnosti, ali možete vidjeti neka upozorenja tijekom izrade jer bi neke funkcije mogle biti zastarjele. Pokrenite ./make-distribution.sh -Dscala.version=2.11.11 -Dspark.version=2.1.2 -Dhadoop.version=2.7.4 -Delasticsearch.version=5.5.3, zamjenjujući broj verzije prema vašem izboru.

Kada se izgradnja uspješno završi, na kraju ćete vidjeti sljedeću poruku.

...
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

Binarne datoteke PredictionIO bit će spremljene u PredictionIO-0.12.0-incubating.tar.gzarhivu. Raspakirajte arhivu u /optimenik i dajte vlasništvo trenutnom korisniku.

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

Postavite PIO_HOMEvarijablu okruženja.

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

Instalirajte potrebne ovisnosti

Izradite novi direktorij za instaliranje ovisnosti PredictionIO kao što su HBase, Sparki Elasticsearch.

mkdir /opt/PredictionIO-0.12.0-incubating/vendors

Preuzmite Scalu verziju 2.11.8 i raspakirajte je u vendorsdirektorij.

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

Preuzmite Apache Hadoop verziju 2.7.3 i raspakirajte ga u vendorsdirektorij.

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 je zadana mašina za obradu za PredictionIO. Preuzmite Spark verziju 2.1.1 i raspakirajte je u vendorsdirektorij.

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

Preuzmite Elasticsearch verziju 5.5.2 i raspakirajte ga u vendorsdirektorij.

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

Konačno, preuzmite HBase verziju 1.2.6 i raspakirajte je u vendorsdirektorij.

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

Otvorite hbase-site.xmlkonfiguracijsku datoteku da konfigurirate HBase za rad u samostalnom okruženju.

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

Pronađite prazan blok konfiguracije i zamijenite ga sljedećom konfiguracijom.

<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 će automatski kreirati imenik podataka. Uredite HBase datoteku okruženja da postavite JAVA_HOMEstazu.

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

Dekomentirajte redak broj 27 i postavite JAVA_HOMEga na stazu jrevaše Java instalacije. Put do JAVA izvršne datoteke možete pronaći pomoću readlink -f $(which java)naredbe.

# 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

Također, zakomentirajte brojeve redaka 46 i 47 jer nisu potrebni za 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"

Konfigurirajte okruženje PredictionIO

Zadana konfiguracija u datoteci okruženja PredictionIO pio-env.shpretpostavlja da koristimo PostgreSQL ili MySQL. Kako smo koristili HBase i Elasticsearch, morat ćemo izmijeniti gotovo svaku konfiguraciju u datoteci. Najbolje je napraviti sigurnosnu kopiju postojeće datoteke i stvoriti novu datoteku okruženja 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).

Sada kada smo stvorili novu aplikaciju, dodat ćemo joj neke podatke. U proizvodnom okruženju, željeli biste automatski poslati podatke na poslužitelj događaja integracijom API poslužitelja događaja u aplikaciju. Da bismo naučili kako PredictionIO radi, uvest ćemo neke uzorke podataka u njega. Predložak nudi Python skriptu koja se može jednostavno koristiti za uvoz podataka uzorka u poslužitelj događaja.

Instalirajte Python pip.

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

Instalirajte PredictionIO Python SDK koristeći pip.

sudo pip install predictionio

Pokrenite Python skriptu da dodate uzorke podataka na poslužitelj događaja.

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

Obavezno zamijenite pristupni ključ svojim stvarnim pristupnim ključem. Vidjet ćete sličan izlaz.

[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.

Gornja skripta uvozi 10 korisnika, 50 artikala u 6 kategorija i neke nasumične događaje kupnje i pregleda. Da biste provjerili jesu li događaji uvezeni ili ne, možete pokrenuti sljedeći upit.

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

Izlaz će vam pokazati popis svih uvezenih događaja u JSON formatu.

Sada otvorite engine.jsondatoteku u uređivaču. Ova datoteka sadrži konfiguraciju motora.

nano engine.json

Pronađite oba pojavljivanja appNamei zamijenite vrijednost stvarnim nazivom aplikacije koju ste prethodno izradili.

{
  "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
      }
    }
  ]
}

Izgradite aplikaciju.

pio build --verbose

Ako ne želite vidjeti poruke dnevnika, uklonite --verboseopciju. Izrada predloška motora po prvi put trajat će nekoliko minuta. Vidjet ćete sličan izlaz kada se izgradnja uspješno završi.

[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.

Uvježbajte motor odmah. Tijekom treninga, motor analizira skup podataka i trenira se prema zadanom algoritmu.

pio train

Prije nego što implementiramo aplikaciju, morat ćemo otvoriti port 8000kako bi se status aplikacije mogao vidjeti na web GUI-ju. Također, web stranice i aplikacije koje koriste poslužitelj događaja slat će i primati svoje upite putem ovog porta.

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

Sada možete implementirati motor PredictionIO.

pio deploy

Gornja naredba će implementirati motor i ugrađeni web poslužitelj na portu 8000da odgovori na upite s web-mjesta i aplikacija e-trgovine. Vidjet ćete sljedeći izlaz na kraju nakon što se motor uspješno implementira.

[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.

Status motora možete provjeriti http://192.0.2.1:8000korištenjem bilo kojeg modernog preglednika. Provjerite jeste li zamijenili 192.0.2.1svojom stvarnom Vultr IP adresom.

To znači da je predložak motora za preporuku e-trgovine implementiran i uspješno radi. Možete postaviti upit predlošku motora za dohvaćanje pet preporuka za korisnika u5pokretanjem sljedećeg upita u novoj sesiji terminala.

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

Vidjet ćete generirane preporuke za korisnika 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}]}

Završavati

Čestitamo, Apache PredictionIO je uspješno raspoređen na vašem poslužitelju. Sada možete koristiti API poslužitelja događaja za uvoz podataka u mehanizam za predviđanje preporuka za korisnika. Ako želite, možete koristiti neke druge predloške iz galerije predložaka. Svakako provjerite predložak motora Universal Recommender koji se može koristiti u gotovo svim slučajevima upotrebe uključujući e-trgovinu, vijesti ili video.