Како инсталирати и користити Апацхе ПредицтионИО за машинско учење на ЦентОС 7

Традиционалне приступе анализи података немогуће је користити када скупови података достигну одређену величину. Модерна алтернатива анализи огромних скупова података је коришћење метода машинског учења. Машинско учење је у стању да произведе тачне резултате када се користи брз и ефикасан алгоритам.

Апацхе ПредицтионИО је сервер за машинско учење отвореног кода који се користи за креирање предиктивних механизама за било који задатак машинског учења. Скраћује време примене машинског учења од лабораторије до производње коришћењем прилагодљивих шаблона мотора који се могу брзо изградити и применити. Он обезбеђује компоненте за прикупљање података и опслуживање, као и апстрахује основну технологију да би открио АПИ који омогућава програмерима да се фокусирају на компоненте трансформације. Када се сервер мотора ПредицтионИО примени као веб услуга, он може да одговори на динамичке упите у реалном времену.

Апацхе ПредицтионИО се састоји од различитих компоненти.

• ПредицтионИО Платформа : Стек машинског учења отвореног кода изграђен на врху неке најсавременије апликације отвореног кода као што су Апацхе Спарк, Апацхе Хадооп, Апацхе ХБасе и Еластицсеарцх.
• Сервер за догађаје : Ово континуирано прикупља податке са вашег веб сервера или сервера мобилних апликација у режиму реалног времена или групном режиму. Прикупљени подаци се могу користити за обуку мотора или за обезбеђивање јединственог погледа за анализу података. Сервер догађаја користи Апацхе ХБасе за складиштење података.
• Енгине Сервер : Сервер мотора је одговоран за израду стварног предвиђања. Чита податке о обуци из складишта података и користи један или више алгоритама машинског учења за изградњу предиктивних модела. Машина, када се једном примени као веб услуга, одговара на упите које поставља веб или мобилна апликација користећи РЕСТ АПИ или СДК.
• Галерија шаблона : Ова галерија нуди различите типове унапред направљених шаблона мотора. Можете одабрати шаблон који је сличан вашем случају употребе и модификовати га према вашим захтевима.

Предуслови

• Инстанца сервера Вултр ЦентОС 7 са најмање 8 ГБ РАМ-а. У сврху тестирања и развоја, можете одабрати инстанцу са 4 ГБ РАМ-а и још једну замјенску меморију од 4 ГБ .
• : Судо корисника .

У овом водичу користићемо 192.0.2.1као јавну ИП адресу сервера. Замените сва појављивања 192.0.2.1са својом јавном ИП адресом Вултр.

Ажурирајте свој основни систем помоћу водича Како да ажурирате ЦентОС 7 . Када се ваш систем ажурира, наставите са инсталирањем Јаве.

Инсталирајте Јава

Многе компоненте ПредицтионИО захтевају ЈДК, или Јава Девелопмент Кит, верзија 8 да би радиле. Подржава и ОпенЈДК и Орацле Јава. У овом водичу ћемо инсталирати ОпенЈДК верзију 8.

ОпенЈДК се може лако инсталирати, пошто је пакет доступан у подразумеваном ИУМ спремишту.

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

Проверите верзију Јаве да бисте били сигурни да је исправно инсталирана.

java -version

Добићете сличан излаз.

[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)

Пре него што наставимо даље, мораћемо да подесимо променљиве окружења JAVA_HOMEи JRE_HOME. Пронађите апсолутну путању ЈАВА извршне датотеке у вашем систему.

readlink -f $(which java)

Видећете сличан излаз.

[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

Сада поставите JAVA_HOMEи JRE_HOMEпроменљиву окружења у складу са путањом Јава директоријума.

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

Извршите bash_profileдатотеку.

source ~/.bash_profile

Сада можете покренути echo $JAVA_HOMEнаредбу да проверите да ли је променљива окружења подешена.

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

Инсталирајте ПредицтионИО

Апацхе обезбеђује изворне датотеке ПредицтионИО које се могу локално преузети и компајлирати. Направите нови привремени директоријум за преузимање и компајлирање изворне датотеке.

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

Преузмите архиву изворне датотеке ПредицтионИО користећи било коју Апацхе Миррор локацију .

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

Извуците архиву и компајлирајте извор да бисте креирали дистрибуцију ПредицтионИО.

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

Горња дистрибуција ће бити изграђена на основу подразумеваних верзија зависности, а то су Scala 2.11.8, Spark 2.1.1, Hadoop 2.7.3и ElasticSearch 5.5.2. Сачекајте да се изградња заврши, биће потребно око десет минута да се заврши у зависности од перформанси вашег система.

Напомена : Слободно можете да користите најновију подржану верзију зависности, али ћете можда видети нека упозорења током израде јер би неке функције могле бити застареле. Покрените ./make-distribution.sh -Dscala.version=2.11.11 -Dspark.version=2.1.2 -Dhadoop.version=2.7.4 -Delasticsearch.version=5.5.3, замењујући број верзије према вашем избору.

Када се изградња успешно заврши, видећете следећу поруку на крају.

...
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

ПредицтионИО бинарне датотеке ће бити сачуване у PredictionIO-0.12.0-incubating.tar.gzархиви. Распакујте архиву у /optдиректоријуму и обезбедите власништво тренутном кориснику.

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

Подесите PIO_HOMEпроменљиву окружења.

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

Инсталирајте потребне зависности

Креирајте нови директоријум да бисте инсталирали ПредицтионИО зависности као што су HBase, Sparkи Elasticsearch.

mkdir /opt/PredictionIO-0.12.0-incubating/vendors

Преузмите Сцала верзију 2.11.8 и распакујте је у vendorsдиректоријум.

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

Преузмите Апацхе Хадооп верзију 2.7.3 и распакујте је у vendorsдиректоријум.

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

Апацхе Спарк је подразумевани механизам за обраду за ПредицтионИО. Преузмите Спарк верзију 2.1.1 и распакујте је у vendorsдиректоријум.

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

Преузмите Еластицсеарцх верзију 5.5.2 и распакујте је у vendorsдиректоријум.

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

На крају, преузмите ХБасе верзију 1.2.6 и распакујте је у vendorsдиректоријум.

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

Отворите hbase-site.xmlконфигурациону датотеку да бисте конфигурисали ХБасе за рад у самосталном окружењу.

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

Find the empty configuration block and replace it with the following configuration.

<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>

The data directory will be created automatically by HBase. Edit the HBase environment file to set the JAVA_HOME path.

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

Uncomment line number 27 and set JAVA_HOME to the path of jre, your Java installation. You can find the path to the JAVA executable using the readlink -f $(which java) command.

# 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

Also, comment out line numbers 46 and 47 as they are not required 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"

Configure the PredictionIO Environment

The default configuration in the PredictionIO environment file pio-env.sh assumes that we are using PostgreSQL or MySQL. As we have used HBase and Elasticsearch, we will need to modify nearly every configuration in the file. It's best to take a backup of the existing file and create a new PredictionIO environment file.

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).

Сада када смо направили нову апликацију, додаћемо јој неке податке. У производном окружењу, желели бисте да аутоматски пошаљете податке на сервер догађаја интеграцијом АПИ сервера догађаја у апликацију. Да бисмо научили како ПредицтионИО функционише, увешћемо неке узорке података у њега. Механизам шаблона обезбеђује Питхон скрипту која се лако може користити за увоз узорака података у сервер догађаја.

Инсталирајте Питхон пип.

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

Инсталирајте ПредицтионИО Питхон СДК користећи пип.

sudo pip install predictionio

Покрените Питхон скрипту да додате узорке података на сервер догађаја.

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

Обавезно замените приступни кључ својим стварним приступним кључем. Видећете сличан излаз.

[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.

Горња скрипта увози 10 корисника, 50 артикала у 6 категорија и неке насумичне догађаје куповине и прегледа. Да бисте проверили да ли су догађаји увезени или не, можете покренути следећи упит.

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

Излаз ће вам показати листу свих увезених догађаја у ЈСОН формату.

Сада отворите engine.jsonдатотеку у уређивачу. Ова датотека садржи конфигурацију мотора.

nano engine.json

Пронађите оба појављивања appNameи замените вредност стварним именом апликације коју сте раније креирали.

{
  "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
      }
    }
  ]
}

Направите апликацију.

pio build --verbose

Ако не желите да видите поруке дневника, уклоните --verboseопцију. Прављење шаблона мотора по први пут ће трајати неколико минута. Видећете сличан излаз када се изградња успешно заврши.

[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.

Обуците мотор сада. Током обуке, мотор анализира скуп података и тренира се према датом алгоритму.

pio train

Пре него што применимо апликацију, мораћемо да отворимо порт 8000тако да се статус апликације може видети на веб ГУИ. Такође, веб локације и апликације које користе сервер догађаја ће слати и примати своје упите преко овог порта.

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

Сада можете да примените ПредицтионИО механизам.

pio deploy

Горња команда ће применити мотор и уграђени веб сервер на порту 8000да одговори на упите са веб локација и апликација за е-трговину. Видећете следећи излаз на крају када се мотор успешно примени.

[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.

Статус мотора можете проверити http://192.0.2.1:8000коришћењем било ког модерног претраживача. Обавезно замените 192.0.2.1својом стварном Вултр ИП адресом.

Ово значи да је шаблон мотора за препоруку за е-трговину примењен и да успешно ради. Можете да упитате шаблон мотора да бисте преузели пет препорука за корисника u5покретањем следећег упита у новој сесији терминала.

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

Видећете генерисане препоруке за корисника 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}]}

Окончање

Честитамо, Апацхе ПредицтионИО је успешно распоређен на вашем серверу. Сада можете да користите АПИ сервера догађаја за увоз података у машину да бисте предвидели препоруке за корисника. Ако желите, можете користити неке друге шаблоне из галерије шаблона. Обавезно погледајте шаблон мотора Универсал Рецоммендер који се може користити у скоро свим случајевима употребе укључујући е-трговину, вести или видео.