Як встановити та використовувати Apache PredictionIO для машинного навчання на CentOS 7

Традиційні підходи до аналізу даних неможливо використовувати, коли набори даних досягають певного розміру. Сучасною альтернативою аналізу величезних наборів даних є використання методів машинного навчання. Машинне навчання здатне давати точні результати при використанні швидкого та ефективного алгоритму.

Apache PredictionIO — це сервер машинного навчання з відкритим кодом, який використовується для створення механізмів прогнозування для будь-яких завдань машинного навчання. Це скорочує час використання програми машинного навчання від лабораторії до виробництва за допомогою настроюваних шаблонів двигуна, які можна швидко створити та розгорнути. Він надає компоненти збору та обслуговування даних, а також реферує основну технологію для розкриття API, що дозволяє розробникам зосередитися на компонентах трансформації. Після того, як сервер двигуна PredictionIO розгорнутий як веб-сервіс, він зможе відповідати на динамічні запити в режимі реального часу.

Apache PredictionIO складається з різних компонентів.

• PredictionIO Platform : стек машинного навчання з відкритим кодом, побудований на основі деяких найсучасніших програм із відкритим кодом, таких як Apache Spark, Apache Hadoop, Apache HBase та Elasticsearch.
• Сервер подій : безперервно збирає дані з вашого веб-сервера або сервера мобільних додатків у режимі реального часу або в пакетному режимі. Зібрані дані можна використовувати для навчання двигуна або для надання єдиного представлення для аналізу даних. Сервер подій використовує Apache HBase для зберігання даних.
• Сервер двигуна : сервер двигуна відповідає за створення фактичного прогнозу. Він зчитує навчальні дані зі сховища даних і використовує один або кілька алгоритмів машинного навчання для побудови прогнозних моделей. Після розгортання як веб-сервісу механізм відповідає на запити веб- або мобільного додатка за допомогою REST API або SDK.
• Галерея шаблонів : ця галерея пропонує різні типи готових шаблонів двигуна. Ви можете вибрати шаблон, схожий на ваш варіант використання, і змінити його відповідно до ваших вимог.

Передумови

• Примірник сервера Vultr CentOS 7 із принаймні 8 ГБ оперативної пам’яті. Для тестування та розробки ви можете вибрати екземпляр з 4 ГБ оперативної пам’яті та ще 4 ГБ пам’яті підкачки .
• Користувач sudo .

У цьому підручнику ми будемо використовувати 192.0.2.1як публічну IP-адресу сервера. Замініть усі входження на 192.0.2.1вашу публічну IP-адресу Vultr.

Оновіть свою базову систему за допомогою посібника Як оновити CentOS 7 . Після оновлення системи перейдіть до встановлення Java.

Встановіть Java

Для роботи багатьох компонентів PredictionIO потрібен JDK або Java Development Kit версії 8. Він підтримує OpenJDK і Oracle Java. У цьому підручнику ми встановимо OpenJDK версії 8.

OpenJDK можна легко встановити, оскільки пакет доступний у сховищі YUM за замовчуванням.

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

Перевірте версію Java, щоб переконатися, що вона встановлена ​​правильно.

java -version

Ви отримаєте аналогічний результат.

[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)

Перш ніж ми зможемо продовжити, нам потрібно буде налаштувати змінні середовища JAVA_HOMEта JRE_HOME. Знайдіть абсолютний шлях до виконуваного файлу JAVA у вашій системі.

readlink -f $(which java)

Ви побачите подібний вихід.

[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

Тепер встановіть JAVA_HOMEі JRE_HOMEзмінну середовища відповідно до шляху до каталогу Java.

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

Виконайте bash_profileфайл.

source ~/.bash_profile

Тепер ви можете запустити echo $JAVA_HOMEкоманду, щоб перевірити, чи встановлено змінну середовища.

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

Встановіть PredictionIO

Apache надає вихідні файли PredictionIO, які можна завантажити та компілювати локально. Створіть новий тимчасовий каталог для завантаження та компіляції вихідного файлу.

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

Завантажте архів вихідних файлів PredictionIO за допомогою будь-якого сайту Apache Mirror .

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

Розпакуйте архів і скомпілюйте вихідний код, щоб створити дистрибутив PredictionIO.

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

Наведений вище дистрибутив буде створено на основі стандартних версій залежностей, а саме Scala 2.11.8, Spark 2.1.1, Hadoop 2.7.3і ElasticSearch 5.5.2. Дочекайтеся завершення збірки, це займе близько десяти хвилин, залежно від продуктивності вашої системи.

Примітка . Ви можете використовувати останню підтримувану версію залежностей, але ви можете побачити деякі попередження під час збірки, оскільки деякі функції можуть бути застарілими. Запустіть ./make-distribution.sh -Dscala.version=2.11.11 -Dspark.version=2.1.2 -Dhadoop.version=2.7.4 -Delasticsearch.version=5.5.3, замінивши номер версії на ваш вибір.

Після успішного завершення збірки ви побачите таке повідомлення в кінці.

...
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

Двійкові файли PredictionIO будуть збережені в PredictionIO-0.12.0-incubating.tar.gzархіві. Розпакуйте архів у /optкаталозі та надайте право власності поточному користувачеві.

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

Встановіть PIO_HOMEзмінну середовища.

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

Встановіть необхідні залежності

Створіть новий каталог для встановлення залежностей PredictionIO, таких як HBase, Sparkі Elasticsearch.

mkdir /opt/PredictionIO-0.12.0-incubating/vendors

Завантажте Scala версії 2.11.8 і розпакуйте її в vendorsкаталог.

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

Завантажте Apache Hadoop версії 2.7.3 і розпакуйте його в vendorsкаталог.

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 є механізмом обробки за замовчуванням для PredictionIO. Завантажте Spark версії 2.1.1 і розпакуйте його в vendorsкаталог.

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

Завантажте Elasticsearch версії 5.5.2 і розпакуйте його в vendorsкаталог.

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

Нарешті, завантажте HBase версії 1.2.6 і розпакуйте його в vendorsкаталог.

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

Відкрийте hbase-site.xmlфайл конфігурації, щоб налаштувати HBase для роботи в автономному середовищі.

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

Знайдіть порожній блок конфігурації та замініть його наступною конфігурацією.

<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>

Каталог даних буде автоматично створено HBase. Відредагуйте файл середовища HBase, щоб встановити JAVA_HOMEшлях.

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

Розкоментуйте рядок 27 і встановіть JAVA_HOMEшлях до jreвашої інсталяції Java. Ви можете знайти шлях до виконуваного файлу JAVA за допомогою readlink -f $(which java)команди.

# 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

Також закоментуйте номери рядків 46 і 47, оскільки вони не потрібні для 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"

Налаштуйте середовище PredictionIO

Конфігурація за замовчуванням у файлі середовища PredictionIO pio-env.shпередбачає, що ми використовуємо PostgreSQL або MySQL. Оскільки ми використовували HBase та Elasticsearch, нам потрібно буде змінити майже кожну конфігурацію у файлі. Найкраще зробити резервну копію наявного файлу та створити новий файл середовища 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).

Тепер, коли ми створили нову програму, ми додамо до неї деякі дані. У виробничому середовищі ви хотіли б автоматично надсилати дані на сервер подій, інтегруючи API сервера подій у програму. Щоб дізнатися, як працює PredictionIO, ми імпортуємо в нього деякі зразки даних. Механізм шаблонів надає сценарій Python, який можна легко використовувати для імпортування зразків даних на сервер подій.

Встановіть Python pip.

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

Встановіть PredictionIO Python SDK за допомогою pip.

sudo pip install predictionio

Запустіть сценарій Python, щоб додати зразок даних на сервер подій.

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

Обов’язково замініть ключ доступу на ваш фактичний ключ доступу. Ви побачите подібний вихід.

[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.

Наведений вище сценарій імпортує 10 користувачів, 50 елементів у 6 категоріях та деякі випадкові події покупки та переглядів. Щоб перевірити, чи імпортовано події чи ні, можна виконати такий запит.

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

Вихід покаже вам список усіх імпортованих подій у форматі JSON.

Тепер відкрийте engine.jsonфайл у редакторі. Цей файл містить конфігурацію двигуна.

nano engine.json

Знайдіть appNameі замініть значення фактичною назвою програми, яку ви створили раніше.

{
  "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
      }
    }
  ]
}

Створіть додаток.

pio build --verbose

Якщо ви не хочете бачити повідомлення журналу, видаліть цю --verboseопцію. Створення шаблону двигуна вперше займе кілька хвилин. Ви побачите подібний результат, коли збірка завершиться успішно.

[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.

Тренуйте двигун зараз. Під час навчання двигун аналізує набір даних і тренується за наданим алгоритмом.

pio train

Перш ніж розгорнути програму, нам потрібно буде відкрити порт, 8000щоб можна було переглянути статус програми у веб-інтерфейсі. Крім того, веб-сайти та програми, які використовують сервер подій, надсилатимуть та отримують свої запити через цей порт.

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

Тепер ви можете розгорнути механізм PredictionIO.

pio deploy

Наведена вище команда розгорне двигун і вбудований веб-сервер на порт, 8000щоб відповідати на запити з веб-сайтів і програм електронної комерції. Після успішного розгортання двигуна ви побачите наступний результат.

[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.

Перевірити стан движка можна за http://192.0.2.1:8000допомогою будь-якого сучасного браузера. Переконайтеся, що ви замінили 192.0.2.1свою фактичну IP-адресу Vultr.

Це означає, що шаблон двигуна для рекомендації електронної комерції розгорнуто та успішно працює. Ви можете надіслати запит до шаблону механізму, щоб отримати п’ять рекомендацій для кори��тувача, u5виконавши такий запит у новому сеансі терміналу.

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

Ви побачите згенеровані рекомендації для користувача 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}]}

Підведенню

Вітаємо, Apache PredictionIO успішно розгорнуто на вашому сервері. Тепер ви можете використовувати API сервера подій, щоб імпортувати дані в механізм, щоб передбачити рекомендації для користувача. Якщо хочете, ви можете використовувати деякі інші шаблони з галереї шаблонів. Обов’язково ознайомтеся з шаблоном механізму Universal Recommender, який можна використовувати майже в усіх випадках, включаючи електронну комерцію, новини або відео.