Hvernig á að setja upp og nota Apache PredictionIO fyrir vélanám á CentOS 7

Hefðbundnar aðferðir við gagnagreiningu er ómögulegt að nota þegar gagnasöfn ná ákveðinni stærð. Nútímalegur valkostur við að greina hin risastóru gagnasöfn er að nota vélanámsaðferðir. Vélnám er fær um að framleiða nákvæmar niðurstöður þegar þú notar hraðvirkt og skilvirkt reiknirit.

Apache PredictionIO er opinn uppspretta vélanámsþjónn sem er notaður til að búa til forspárvélar fyrir hvaða vélnámsverkefni sem er. Það styttir tíma vélanámsforritsins frá rannsóknarstofu til framleiðslu með því að nota sérhannaðar vélarsniðmát sem hægt er að smíða og nota fljótt. Það veitir gagnasöfnun og þjónustuhluti og útdrætti undirliggjandi tækni til að afhjúpa API sem gerir forriturum kleift að einbeita sér að umbreytingarhlutum. Þegar vélþjónn PredictionIO hefur verið notaður sem vefþjónusta getur hann svarað kraftmiklum fyrirspurnum í rauntíma.

Apache PredictionIO samanstendur af mismunandi hlutum.

• PredictionIO Platform : Opinn uppspretta vélanámsstafla byggður ofan á nýjustu opnum hugbúnaði eins og Apache Spark, Apache Hadoop, Apache HBase og Elasticsearch.
• Atburðaþjónn : Þetta safnar stöðugt gögnum frá vefþjóninum þínum eða farsímaforritaþjóninum í rauntímaham eða hópham. Hægt er að nota söfnuð gögn til að þjálfa vélina eða til að veita samræmda sýn fyrir gagnagreiningu. Atburðaþjónninn notar Apache HBase til að geyma gögnin.
• Vélþjónn : Vélþjónninn er ábyrgur fyrir því að gera raunverulega spá. Það les þjálfunargögnin úr gagnageymslunni og notar eitt eða fleiri vélanámsreiknirit til að byggja upp forspárlíkönin. Vél, þegar hún hefur verið notuð sem vefþjónusta, bregst við fyrirspurnum frá vef- eða farsímaforriti með því að nota REST API eða SDK.
• Sniðasafn : Þetta gallerí býður upp á ýmsar gerðir af forsmíðuðum vélarsniðmátum. Þú getur valið sniðmát sem er svipað notkunartilvikinu þínu og breytt því í samræmi við kröfur þínar.

Forkröfur

• Vultr CentOS 7 netþjónstilvik með að minnsta kosti 8GB vinnsluminni. Í prófunar- og þróunarskyni geturðu valið tilvik með 4GB vinnsluminni og annað 4GB skiptiminni .
• A sudo notandi .

Í þessari kennslu munum við nota 192.0.2.1sem opinbera IP tölu netþjónsins. Skiptu um öll tilvik fyrir 192.0.2.1Vultr opinbera IP tölu þína.

Uppfærðu grunnkerfið þitt með því að nota handbókina Hvernig á að uppfæra CentOS 7 . Þegar kerfið þitt hefur verið uppfært skaltu halda áfram að setja upp Java.

Settu upp Java

Margir hlutir PredictionIO þurfa JDK, eða Java Development Kit, útgáfu 8 til að virka. Það styður bæði OpenJDK og Oracle Java. Í þessari kennslu munum við setja upp OpenJDK útgáfu 8.

Auðvelt er að setja OpenJDK upp þar sem pakkinn er fáanlegur í sjálfgefna YUM geymslunni.

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

Staðfestu útgáfu Java til að tryggja að hún hafi verið rétt uppsett.

java -version

Þú munt fá svipað framleiðsla.

[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)

Áður en við getum haldið áfram þurfum við að setja upp JAVA_HOMEog JRE_HOMEumhverfisbreyturnar. Finndu algera slóð JAVA executable í kerfinu þínu.

readlink -f $(which java)

Þú munt sjá svipaða framleiðsla.

[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

Nú skaltu stilla JAVA_HOMEog JRE_HOMEumhverfisbreytu í samræmi við slóð Java möppunnar.

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

Keyra bash_profileskrána.

source ~/.bash_profile

Nú geturðu keyrt echo $JAVA_HOMEskipunina til að athuga hvort umhverfisbreytan sé stillt.

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

Settu upp PredictionIO

Apache veitir PredictionIO frumskrár sem hægt er að hlaða niður og setja saman á staðnum. Búðu til nýja tímabundna möppu til að hlaða niður og setja saman frumskrána.

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

Sæktu frumskráasafn PredictionIO með því að nota hvaða Apache Mirror síðu sem er .

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

Dragðu út skjalasafnið og settu saman upprunann til að búa til dreifingu á PredictionIO.

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

Ofangreind dreifing verður byggð upp á móti sjálfgefnum útgáfum ósjálfstæðanna, sem eru Scala 2.11.8, Spark 2.1.1, Hadoop 2.7.3og ElasticSearch 5.5.2. Bíddu eftir að smíði lýkur, það mun taka um það bil tíu mínútur að klára það, allt eftir frammistöðu kerfisins þíns.

Athugið : Þér er frjálst að nota nýjustu studdu útgáfuna af ósjálfstæðum, en þú gætir séð nokkrar viðvaranir meðan á smíði stendur þar sem sumar aðgerðir gætu verið úreltar. Keyra ./make-distribution.sh -Dscala.version=2.11.11 -Dspark.version=2.1.2 -Dhadoop.version=2.7.4 -Delasticsearch.version=5.5.3, skipta um útgáfunúmer í samræmi við val þitt.

Þegar smíðinni lýkur, muntu sjá eftirfarandi skilaboð í lokin.

...
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 tvöfaldar skrárnar verða vistaðar í PredictionIO-0.12.0-incubating.tar.gzskjalasafninu. Dragðu út skjalasafnið í /optmöppunni og gefðu núverandi notanda eignarhaldið.

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

Stilltu PIO_HOMEumhverfisbreytuna.

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

Settu upp nauðsynlegar ósjálfstæðir

Búðu til nýja möppu til að setja upp PredictionIO ósjálfstæði eins og HBase, Sparkog Elasticsearch.

mkdir /opt/PredictionIO-0.12.0-incubating/vendors

Sæktu Scala útgáfu 2.11.8 og dragðu hana út í vendorsmöppuna.

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

Sæktu Apache Hadoop útgáfu 2.7.3 og dragðu hana út í vendorsmöppuna.

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 sjálfgefin vinnsluvél fyrir PredictionIO. Sæktu Spark útgáfu 2.1.1 og dragðu hana út í vendorsmöppuna.

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

Sæktu Elasticsearch útgáfu 5.5.2 og dragðu hana út í vendorsmöppuna.

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

Að lokum skaltu hlaða niður HBase útgáfu 1.2.6 og draga hana út í vendorsmöppuna.

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

Opnaðu hbase-site.xmlstillingarskrána til að stilla HBase til að virka í sjálfstæðu umhverfi.

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

Finndu tóma stillingarblokkina og skiptu honum út fyrir eftirfarandi stillingar.

<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>

Gagnaskráin verður búin til sjálfkrafa af HBase. Breyttu HBase umhverfisskránni til að stilla JAVA_HOMEslóðina.

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

Taktu úr athugasemdum við línu númer 27 og stilltu JAVA_HOMEá slóðina fyrir jreJava uppsetninguna þína. Þú getur fundið slóðina að JAVA executable með því að nota readlink -f $(which java)skipunina.

# 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

Athugaðu líka línunúmer 46 og 47 þar sem þau eru ekki nauðsynleg fyrir 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"

Stilltu PredictionIO umhverfið

Sjálfgefin uppsetning í PredictionIO umhverfisskránni pio-env.shgerir ráð fyrir að við séum að nota PostgreSQL eða MySQL. Þar sem við höfum notað HBase og Elasticsearch, þurfum við að breyta næstum öllum stillingum í skránni. Best er að taka öryggisafrit af núverandi skrá og búa til nýja PredictionIO umhverfisskrá.

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"

Úttakið mun sýna þér lista yfir alla innfluttu atburði á JSON sniði.

Nú skaltu opna engine.jsonskrána í ritlinum. Þessi skrá inniheldur stillingar vélarinnar.

nano engine.json

Finndu bæði tilvik appNameog skiptu gildinu út fyrir raunverulegt nafn appsins sem þú hefur búið til áður.

{
  "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
      }
    }
  ]
}

Byggðu forritið.

pio build --verbose

Ef þú vilt ekki sjá notendaskilaboðin skaltu fjarlægja --verbosevalkostinn. Það tekur nokkrar mínútur að byggja vélarsniðmátið í fyrsta skipti. Þú munt sjá svipað framleiðsla þegar smíði lýkur.

[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.

Þjálfaðu vélina núna. Meðan á þjálfuninni stendur greinir vélin gagnasettið og þjálfar sig í samræmi við uppgefið reiknirit.

pio train

Áður en við setjum forritið upp þurfum við að opna gáttina 8000svo hægt sé að skoða stöðu forritsins á vef GUI. Einnig munu vefsíður og forrit sem nota viðburðaþjóninn senda og taka á móti fyrirspurnum sínum í gegnum þessa höfn.

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

Nú geturðu sett inn PredictionIO vélina.

pio deploy

Ofangreind skipun mun setja vélina og innbyggða vefþjóninn á höfn 8000til að svara fyrirspurnum frá rafrænum viðskiptavefsíðum og forritum. Þú munt sjá eftirfarandi úttak í lokin þegar búið er að nota vélina.

[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.

Þú getur staðfest stöðu vélarinnar með því að http://192.0.2.1:8000nota hvaða nútímavafra sem er. Gakktu úr skugga um að þú 192.0.2.1skiptir út fyrir raunverulega Vultr IP tölu þína.

Þetta gefur til kynna að vélarsniðmátið fyrir ráðleggingar um rafræn viðskipti sé notað og keyrt með góðum árangri. Þú getur spurt vélarsniðmátið til að sækja fimm ráðleggingar fyrir notanda u5með því að keyra eftirfarandi fyrirspurn í nýrri flugstöðvalotu.

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

Þú munt sjá útbúnar ráðleggingar fyrir notanda 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}]}

Klára

Til hamingju, Apache PredictionIO hefur verið sett á netþjóninn þinn. Þú getur nú notað API viðburðaþjónsins til að flytja gögnin inn í vélina til að spá fyrir um ráðleggingar fyrir notandann. Ef þú vilt geturðu notað önnur sniðmát úr sniðmátasafninu. Vertu viss um að skoða Universal Recommender vélarsniðmátið sem hægt er að nota í næstum öllum notkunartilfellum, þar með talið rafræn viðskipti, fréttir eða myndband.