Hogyan készítsünk ajánlómotort az Apache Prediction IO Machine Learning Server használatával

Ez a bejegyzés végigvezeti Önt az Apache Prediction IO gépi tanulókiszolgáló telepítésén. Használjuk az egyik Ajánlás nevű sablont egy működő ajánlómotor felépítéséhez. A kész termék képes lesz testreszabott termékeket ajánlani az adott felhasználó vásárlási viselkedésétől függően.

A probléma

Van egy csomó adat, és pontosan meg kell jósolnia valamit, hogy segítsen vállalkozásának növelni eladásait, ügyfeleit, nyereségét, megtérését, vagy bármi mire van szüksége az üzleti életben.

Az ajánlási rendszerek valószínűleg az első lépés, amelyet mindenki megtesz az adattudomány és a gépi tanulás alkalmazása felé. Az ajánlómotorok adatokat használnak bemenetként, és algoritmusaikat futtatják rajtuk. Ezután olyan modelleket bocsátanak ki, amelyek alapján megjósolhatjuk, hogy a felhasználó mit vásárol valójában, vagy mi tetszhet vagy nem tetszik a felhasználónak.

Írja be a Jóslás IO-t

"Az Apache PredictionIO (inkubálás) egy nyílt forráskódú Machine Learning Server, amely a legkorszerűbb nyílt forráskódú verem tetejére épül, a fejlesztők és az adatkutatók prediktív motorokat hoznak létre minden gépi tanulási feladathoz." - Apache Prediction IO dokumentáció

A dokumentáció legelső áttekintése jó érzéssel tölt el, mert hozzáférést biztosít a gépi tanulási problémák megoldásához szükséges nagy teljesítményű technológiai veremhez. Ami még érdekesebb, hogy a Prediction IO számos sablonhoz hozzáférést biztosít, amelyek hasznosak a valós problémák megoldásában.

A sablongaléria sok sablont tartalmaz ajánláshoz, osztályozáshoz, regresszióhoz, természetes nyelv feldolgozásához és még sok máshoz. Olyan technológiákat használ, mint az Apache Hadoop, az Apache spark, az ElasticSearch és az Apache Hbase, hogy a gépi tanulási szerver méretezhető és hatékony legyen. Magáról a Prediction IO-ról nem sokat fogok beszélni, mert ezt itt egyedül is megteheti.

Tehát visszatérve a problémára: Van egy csomó adatom a felhasználói vásárlási előzményekből, amelyek a user_id, product_id és a vásárolt_dátum állományból állnak. Ezek használatával személyre szabott jóslatot / ajánlást kell megadnom a felhasználónak. Figyelembe véve ezt a problémát, egy Javaslati sablont fogunk használni a Jóslás IO Machine Learning szerverrel. Használjuk a Prediction IO eseménykiszolgálót, valamint az adatok tömeges importálását.

Tehát menjünk előre. (Megjegyzés: Ez az útmutató feltételezi, hogy az Ubuntu rendszert használja a telepítéshez)

1. lépés: Töltse le az Apache Prediction IO alkalmazást

Lépjen a jelenlegi felhasználó saját könyvtárába, és töltse le a legfrissebb 0.10.0 Prediction IO apache inkubátort. Feltételezem, hogy a következő dir(/home/you/)

git clone [email protected]:apache/incubator-predictionio.git

Most menjen az ` inkubátor-predictionio` könyvtárba, ahol klónoztuk a Prediction IO repót. Ha egy másik könyvtárba klónozta, győződjön meg arról, hogy benne van-e a terminálban.

Most nézzük meg a Prediction IO jelenlegi stabil verzióját, amely 0.10.0

cd incubator-predictionio # or any dir where you have cloned pio.git checkout release/0.10.0

2. lépés: Elosztjuk az előrejelzési IO-t

./make-distribution.sh

Ha minden rendben ment, akkor az ilyen üzenetet megkapja a konzolján:

Ha azonban ilyesmivel találkozott:

akkor el kellene távolítania a .ivy2dir- t a saját könyvtárából, alapértelmezés szerint ez a mappa rejtve van. Teljesen el kell távolítania, majd ./make-distribution.shújra kell futtatnia a buildet a terjesztési fájl sikeres létrehozásához.

Személy szerint sokszor szembesültem ezzel a problémával, de nem vagyok biztos benne, hogy ez a megfelelő módszer a probléma megoldására. De a .ivy2mappa eltávolítása és a make-distribution parancs ismét futtatása működik.

3. lépés: Bontsa ki a terjesztési fájlt

A sikeres összeállítás után a PredictionIO-0.10.0-incubating.tar.gz nevű fájlnév lesz a könyvtárban, ahová a Jóslás IO-t építettük. Most vonjuk ki egy pio nevű könyvtárba.

mkdir ~/piotar zxvf PredictionIO-0.10.0-incubating.tar.gz -C ~/pio

Győződjön meg arról, hogy a tar.gz fájlnév megegyezik az eredeti predictionIo könyvtárban található terjesztési fájllal. Ha elfelejtette megnézni a Prediction IO 0.10.0 verzióját, akkor biztosan más fájlnevet fog kapni, mert alapértelmezés szerint a verzió lenne a legújabb.

4. lépés: Felkészülés a függőségek letöltésére

cd ~/pio
#Let’s make a vendors folder inside ~/pio/PredictionIO-0.10.0-incubating where we will save hadoop, elasticsearch and hbase.
mkdir ~/pio/PredictionIO-0.10.0-incubating/vendors

5. lépés: Töltse le és állítsa be a Spark-ot

wget //d3kbcqa49mib13.cloudfront.net/spark-1.5.1-bin-hadoop2.6.tgz

Ha az aktuális könyvtárad van, akkor ~/pioa parancs letölti a szikrát a pio dir belsejében. Most vonjuk ki. Attól függően, hogy hol töltötte le, érdemes megváltoztatni az alábbi parancsot.

tar zxvfC spark-1.5.1-bin-hadoop2.6.tgz PredictionIO-0.10.0-incubating/vendors
# This will extract the spark setup that we downloaded and put it inside the vendors folder of our fresh pio installation. 

Győződjön meg róla, hogy korábban megtette-e mkdir PredictionIO-0.10.0-incubating/vendors.

6. lépés: Töltse le és állítsa be az ElasticSearch alkalmazást

wget //download.elasticsearch.org/elasticsearch/elasticsearch/elasticsearch-1.4.4.tar.gz
#Let’s extract elastic search inside vendors folder.
tar zxvfC elasticsearch-1.4.4.tar.gz PredictionIO-0.10.0-incubating/vendors

7. lépés: Töltse le és állítsa be a Hbase-t

wget //archive.apache.org/dist/hbase/hbase-1.0.0/hbase-1.0.0-bin.tar.gz
#Let’s extract it.
tar zxvfC hbase-1.0.0-bin.tar.gz PredictionIO-0.10.0-incubating/vendors

Most szerkesszük a hbase-site.xmlhbase konfigurációt a jobb irányba. Figyelembe véve, hogy bent van a ~/piodir-ben, eltalálhatja ezt a parancsot, és szerkesztheti a hbase conf parancsot.

nano PredictionIO-0.10.0-incubating/vendors/hbase-1.0.0/conf/hbase-site.xml

Cserélje ki a konfigurációs blokkot a következő konfigurációval.

  hbase.rootdir file:///home/you/pio/PredictionIO-0.10.0-incubating/vendors/hbase-1.0.0/data   hbase.zookeeper.property.dataDir /home/you/pio/PredictionIO-0.10.0-incubating/vendors/hbase-1.0.0/zookeeper 

Itt „ te” jelöli a felhasználói dir-t, például ha mindezt „tom” felhasználóként csinálod, akkor valami ilyesmi lehet: :: /// home / tom /…

Ellenőrizze, hogy a megfelelő fájlok vannak-e.

Most állítsuk be a JAVA_HOME-ot a hbase-env.sh fájlban.

nano PredictionIO-0.10.0-incubating/vendors/hbase-1.0.0/conf/hbase-env.sh

If you’re unsure about which version of JDK you’re currently using, follow these step and make necessary changes if required.

We need Java SE Development Kit 7 or greater for Prediction IO to work. Now let’s make sure we’re using the right version by running:

sudo update-alternatives — config java

By default I’m using:

java -version
openjdk version “1.8.0_121”
OpenJDK Runtime Environment (build 1.8.0_121–8u121-b13–0ubuntu1.16.04.2-b13)
OpenJDK 64-Bit Server VM (build 25.121-b13, mixed mode)

If you’re using below 1.7, then you should change the java config to use a version of java that is equal to 1.7 or greater. You can change that with the update-alternatives command as given above. In my case the command sudo update-alternatives -config java outputs something like this:

If you have any trouble setting this up, you can follow this link.

Now let’s export the JAVA_HOME path in the .bashrc file inside /home/you/pio.

Considering you’re on ~/pio dir, you could do this: nano .bashrc

Don’t forget to do source .bashrc after you set up the java home in the .bashrc.

Step #8: Configure the Prediction IO Environment

Now let’s configure pio.env.sh to give a final touch to our Prediction IO Machine learning server installation.

nano PredictionIO-0.10.0-incubating/conf/pio-env.sh

We’re not using ProsgesSQl or MySql for our event server, So let’s comment out that section and have a pio-env.sh something like this:

#!/usr/bin/env bash## Copy this file as pio-env.sh and edit it for your site's configuration.## Licensed to the Apache Software Foundation (ASF) under one or more# contributor license agreements. See the NOTICE file distributed with# this work for additional information regarding copyright ownership.# The ASF licenses this file to You under the Apache License, Version 2.0# (the "License"); you may not use this file except in compliance with# the License. You may obtain a copy of the License at## //www.apache.org/licenses/LICENSE-2.0## Unless required by applicable law or agreed to in writing, software# distributed under the License is distributed on an "AS IS" BASIS,# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.# See the License for the specific language governing permissions and# limitations under the License.#
# 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=$PIO_HOME/vendors/spark-1.5.1-bin-hadoop2.6
POSTGRES_JDBC_DRIVER=$PIO_HOME/lib/postgresql-9.4-1204.jdbc41.jarMYSQL_JDBC_DRIVER=$PIO_HOME/lib/mysql-connector-java-5.1.37.jar
# ES_CONF_DIR: You must configure this if you have advanced configuration for# your Elasticsearch setup. ES_CONF_DIR=$PIO_HOME/vendors/elasticsearch-1.4.4/conf
# HADOOP_CONF_DIR: You must configure this if you intend to run PredictionIO# with Hadoop 2. HADOOP_CONF_DIR=$PIO_HOME/vendors/spark-1.5.1-bin-hadoop2.6/conf
# HBASE_CONF_DIR: You must configure this if you intend to run PredictionIO# with HBase on a remote cluster. HBASE_CONF_DIR=$PIO_HOME/vendors/hbase-1.0.0/conf
# Filesystem paths where PredictionIO uses as block storage.PIO_FS_BASEDIR=$HOME/.pio_storePIO_FS_ENGINESDIR=$PIO_FS_BASEDIR/enginesPIO_FS_TMPDIR=$PIO_FS_BASEDIR/tmp
# PredictionIO Storage Configuration## This section controls programs that make use of PredictionIO's built-in# storage facilities. Default values are shown below.## For more information on storage configuration please refer to# //predictionio.incubator.apache.org/system/anotherdatastore/
# Storage Repositories
# Default is to use PostgreSQLPIO_STORAGE_REPOSITORIES_METADATA_NAME=pio_metaPIO_STORAGE_REPOSITORIES_METADATA_SOURCE=ELASTICSEARCH
PIO_STORAGE_REPOSITORIES_EVENTDATA_NAME=pio_eventPIO_STORAGE_REPOSITORIES_EVENTDATA_SOURCE=HBASE
PIO_STORAGE_REPOSITORIES_MODELDATA_NAME=pio_modelPIO_STORAGE_REPOSITORIES_MODELDATA_SOURCE=LOCALFS
# Storage Data Sources
# PostgreSQL Default Settings# Please change "pio" to your database name in PIO_STORAGE_SOURCES_PGSQL_URL# Please change PIO_STORAGE_SOURCES_PGSQL_USERNAME and# PIO_STORAGE_SOURCES_PGSQL_PASSWORD accordingly# PIO_STORAGE_SOURCES_PGSQL_TYPE=jdbc# PIO_STORAGE_SOURCES_PGSQL_URL=jdbc:postgresql://localhost/pio# PIO_STORAGE_SOURCES_PGSQL_USERNAME=pio# PIO_STORAGE_SOURCES_PGSQL_PASSWORD=root
# MySQL Example# PIO_STORAGE_SOURCES_MYSQL_TYPE=jdbc# PIO_STORAGE_SOURCES_MYSQL_URL=jdbc:mysql://localhost/pio# PIO_STORAGE_SOURCES_MYSQL_USERNAME=root# PIO_STORAGE_SOURCES_MYSQL_PASSWORD=root
# Elasticsearch Example PIO_STORAGE_SOURCES_ELASTICSEARCH_TYPE=elasticsearch PIO_STORAGE_SOURCES_ELASTICSEARCH_CLUSTERNAME=firstcluster PIO_STORAGE_SOURCES_ELASTICSEARCH_HOSTS=localhost PIO_STORAGE_SOURCES_ELASTICSEARCH_PORTS=9300 PIO_STORAGE_SOURCES_ELASTICSEARCH_HOME=$PIO_HOME/vendors/elasticsearch-1.4.4
# ocal File System ExamplePIO_STORAGE_SOURCES_LOCALFS_TYPE=localfsPIO_STORAGE_SOURCES_LOCALFS_PATH=$PIO_FS_BASEDIR/models
# HBase ExamplePIO_STORAGE_SOURCES_HBASE_TYPE=hbasePIO_STORAGE_SOURCES_HBASE_HOME=$PIO_HOME/vendors/hbase-1.0.0

Step #9: Configure cluster name in ElasticSearch config

Since this line PIO_STORAGE_SOURCES_ELASTICSEARCH_CLUSTERNAME=firstcluster points to our cluster name in the ElasticSearch configuration, let’s replace a default cluster name in ElasticSearch configuration.

nano PredictionIO-0.10.0-incubating/vendors/elasticsearch-1.4.4/config/elasticsearch.yml

Step #10: Export The Prediction IO Path

Let’s now export the Prediction IO path so we could freely use the pio command without pointing to it’s bin every time. Run the following command in your terminal:

PATH=$PATH:/home/you/pio/PredictionIO-0.10.0-incubating/bin; export PATH

Step #11: Give Permission To Prediction IO Installation

sudo chmod -R 775 ~/pio

Ez létfontosságú, mert ha nem adtunk engedélyt a pio mappához, a Prediction IO folyamat nem lesz képes naplófájlokat írni.

12. lépés: Indítsa el a Jóslás IO kiszolgálót

Most már készen állunk az indulásra, indítsuk el a Prediction IO szervert. A parancs futtatása előtt ellenőrizze, hogy exportálta-e a fent leírt pio elérési utat.

pio-start-all
#if you forgot to export the pio path, it won't work and you manually have to point the pio bin path. 

Ha minden rendben van eddig a pontig, akkor a kimenetet valami ilyennek látná.

Megjegyzés: Ha elfelejti az engedély megadását, akkor problémák merülnek fel a naplók írásakor, és ha a JAVA_HOME elérési útja nem megfelelő, a HBASE nem indul el megfelelően, és ez hibát okoz.

13. lépés: Ellenőrizze a folyamatot

Most ellenőrizzük a telepítést pio status: ha minden rendben van, akkor egy ilyen kimenetet kap:

Ha hibát tapasztal a Hbase vagy bármely más háttér-tárolóban, ellenőrizze, hogy mindent megfelelően indítottak-e.

Our Prediction IO Server is ready to implement the template now.

Implementing the Recommendation Engine

A recommendation engine template is a Prediction IO engine template that uses collaborative filtering to make personalized recommendation to the user. It uses can be in E-commerce site, news site, or any application that collects user histories of event to give a personalized experiences to the user.

We’ll implement this template in Prediction IO with few eCommerce user data, just to do an sample experiment with Prediction IO machine learning server.

Now let’s back to our home dir cd ~

Step #14: Download the Recommendation Template

pio template get apache/incubator-predictionio-template-recommender MyRecommendation

It will ask for company name and author name, input subsequently, now we have a MyRecommendation Template inside our home dir. Just a reminder: you can put the template anywhere you want.

#15. Create Our First Prediction IO App

Now let’s go inside the MyRecommendation dir cd MyRecommendation

After you’re inside the template dir, let’s create our first Prediction IO app called ourrecommendation.

You will get output like this. Please remember that you can give any name to your app, but for this example I’ll be using the app name ourrecommendation.

pio app new ourrecommendation

This command will output something like this:

Let’s verify that our new app is there with this command:

pio app list

Now our app should be listed in the list.

Step #16: Import Some Sample Data

Let’s download the sample-data from gist, and put that inside importdata folder inside MyRecommendation folder.

mkdir importdata

Copy the sample-data.json file that you just created inside the importdata folder.

Finally let’s import the data inside our ourrecommendation app. Considering you’re inside the MyRecommendation dir you can do this to batch import the events.

pio import — appid 1 — input importdata/data-sample.json

(Note: make sure the appid of ourrecommendation is same as of your appid that you just provided)

Step #17: Build The App

Before building the app, let’s edit engine.json file inside the MyRecommendation directory to replicate our app name inside it. It should look something like this:

Note: Don’t copy this, just change the “appName” in your engine.json.

{ "id": "default", "description": "Default settings", "engineFactory": "orgname.RecommendationEngine", "datasource": { "params" : { "appName": "ourrecommendation" } }, "algorithms": [ { "name": "als", "params": { "rank": 10, "numIterations": 5, "lambda": 0.01, "seed": 3 } } ]}

Note: the “engineFactory” will be automatically generated when you pull the template in our step 14, so you don’t have to change that. In my case, it’s my orgname, which I put in the terminal prompt during installation of the template. In you engine.json you just need to modify the appName, please don’t change anything else in there.

In the same dir where our MyRecommendation engine template lies, let’s run this pio command to build our app.

pio build

(Note: if you wanna see all the messages during the building process, you can run this pio build — verbose)

It can take sometimes to build our app, since this is the first time. From next time it takes less time. You should get an output like this:

Our engine is now ready to train our data.

Step #18: Train The dataset

pio train

If you get an error like the one below in the middle of the training, then you may have to change number of iterations inside your engine.json and rebuild the app.

Let’s change the numItirations in engine.json which is by default 20 to 5:

“numIterations”: 5,

Most építsük fel az alkalmazást pio build, ismét tegyük pio train. A képzést sikeresen be kell fejezni. A képzés befejezése után a következő üzenetet kapja:

Felhívjuk figyelmét, hogy ez a képzés csak kis adatok esetén működik, ha mégis nagy adatkészlettel szeretne kipróbálni, akkor a képzés elvégzéséhez önálló szikra munkatársat kell felállítanunk. (Erről egy későbbi bejegyzésben írok.)

19. lépés: Telepítse és szolgáltassa az előrejelzést

pio deploy#by default it will take 8000 port.

Most már futni fog a jóslat io szerverünk.

Megjegyzés: az egyszerűség kedvéért ebben a bejegyzésben nem az eseménykiszolgálóval foglalkozom, mivel az még hosszabb ideig tarthat, ezért a Prediction IO egyszerű használatára összpontosítunk.

Most kapjuk meg az előrejelzést a curl használatával.

Nyisson meg egy új terminált, és nyomja meg:

curl -H “Content-Type: application/json” \-d ‘{ “user”: “user1”, “num”: 4 }’ //localhost:8000/queries.json

In the above query, the user signifies to the user_id in our event data, and the num means, how many recommendation we want to get.

Now you will get the result like this:

{"itemScores":[{"item":"product5","score":3.9993937903501093},{"item":"product101","score":3.9989989282500904},{"item":"product30","score":3.994934059438341},{"item":"product98","score":3.1035806376677866}]}

That’s it! Great Job. We’re done. But wait, what’s next?

  • Next we will use spark standalone cluster to train large dataset (believe me, its easy, if you wanna do it right now, you could follow the documenation in Prediction IO)
  • We will use Universal Recommender from Action ML to build a recommendation engine.

Important Notes:

  • The template we used uses ALS algorithm with explicit feedback, however you can easily switch to implicit depending upon your need.
  • If you’re curious about Prediction IO and want to learn more you can do that on the Prediction IO official site.
  • If your Java version is not suitable for Prediction IO specification, then you are sure to run into problems. So make sure you configure this first.
  • Don’t run any of the commands described above with sudo except to give permission. Otherwise you will run into problems.
  • Make sure your java path is correct, and make sure to export the Prediction IO path. You might want to add the Prediction IO path to your .bashrc or profile as well depending upon your need.

Update 2017/07/14: Using Spark To Train Real Data Sets

We have the spark installed inside our vendors folders, with our current installation, our spark bin in the following dir.

~/pio/PredictionIO-0.10.0-incubating/vendors/spark-1.5.1-bin-hadoop2.6/sbin

From there we have to setup a spark primary and replica to execute our model training to accomplish it faster. If your training seems to stuck we can use the spark options to accomplish the training tasks.

#Start the Spark primary

~/pio/PredictionIO-0.10.0-incubating/vendors/spark-1.5.1-bin-hadoop2.6/sbin/start-master.sh

This will start the spark primary. Now let’s browse the spark primary’s web UI by going into //localhost:8080/ in the browser.

Now let’s copy the primary-url to start the replica worker. In our case the primary spark URL is something like this:

spark://your-machine:7077 (your machine signifies to your machine name)

~/pio/PredictionIO-0.10.0-incubating/vendors/spark-1.5.1-bin-hadoop2.6/sbin/start-slave.sh spark://your-machine:7077

The worker will start. Refresh the web ui you will see the registered worker this time. Now let’s run the training again.

pio train -- --master spark://localhost:7077 --driver-memory 4G --executor-memory 6G

Great!

Special Thanks: Pat Ferrel From Action ML & Marius Rabenarivo