كيفية إنشاء محرك توصية باستخدام خادم التعلم الآلي في Apache's Prediction IO

سيرشدك هذا المنشور خلال تثبيت خادم التعلم الآلي Apache Prediction IO. سنستخدم أحد قوالبها المسمى توصية لإنشاء محرك توصية عامل. سيكون المنتج النهائي قادرًا على التوصية بمنتجات مخصصة بناءً على سلوك الشراء الخاص بالمستخدم.

المشكلة

لديك مجموعة من البيانات وتحتاج إلى التنبؤ بشيء ما بدقة حتى تتمكن من مساعدة عملك على زيادة مبيعاته أو زيادة العملاء أو زيادة الأرباح أو زيادة التحويل أو أيًا كان ما تحتاجه الأعمال.

ربما تكون أنظمة التوصية هي الخطوة الأولى التي يتخذها الجميع نحو تطبيق علم البيانات والتعلم الآلي. تستخدم محركات التوصية البيانات كمدخلات وتقوم بتشغيل الخوارزميات الخاصة بهم عليها. ثم يقومون بإخراج نماذج يمكننا من خلالها التنبؤ بما سيشتري المستخدم حقًا ، أو ما قد يعجب المستخدم أو لا يعجبه.

أدخل التنبؤ IO

"Apache PredictionIO (الحضانة) هو خادم مفتوح المصدر للتعلم الآلي مصمم على أحدث مكدس مفتوح المصدر للمطورين وعلماء البيانات لإنشاء محركات تنبؤية لأي مهمة تعلم آلي." - وثائق Apache Prediction IO

تجعلني النظرة الأولى على الوثائق أشعر بالرضا لأنها تتيح لي الوصول إلى مجموعة تقنية قوية لحل مشكلات التعلم الآلي. الأمر الأكثر إثارة للاهتمام هو أن برنامج Prediction IO يتيح الوصول إلى العديد من القوالب التي تساعد في حل المشكلات الحقيقية.

يتكون معرض القوالب من العديد من القوالب للتوصية والتصنيف والانحدار ومعالجة اللغة الطبيعية وغير ذلك الكثير. فهي تستفيد من تقنيات مثل Apache Hadoop و Apache spark و ElasticSearch و Apache Hbase لجعل خادم التعلم الآلي قابلاً للتطوير وفعالاً. لن أتحدث كثيرًا عن Prediction IO نفسه ، لأنه يمكنك فعل ذلك بنفسك هنا.

عودة إلى المشكلة: لدي مجموعة من البيانات من سجلات شراء المستخدم ، والتي تتكون من user_id و product_id و Purchase_date. باستخدام هذه ، أحتاج إلى تقديم تنبؤ / توصية مخصصة للمستخدم. بالنظر إلى هذه المشكلة ، سنستخدم نموذج توصية مع خادم التعلم الآلي التنبؤي IO. سنستخدم خادم أحداث Prediction IO وكذلك استيراد البيانات المجمعة.

لذلك دعونا نمضي قدما. (ملاحظة: يفترض هذا الدليل أنك تستخدم نظام أوبونتو للتثبيت)

الخطوة رقم 1: تنزيل Apache Prediction IO

انتقل إلى الدليل الرئيسي للمستخدم الحالي وقم بتنزيل أحدث حاضنة اباتشي للتنبؤ 0.10.0 IO. أفترض أنك في الدير التالي(/home/you/)

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

انتقل الآن إلى الدليل " incubator-Prictionio" حيث قمنا باستنساخ Prediction IO repo. إذا قمت باستنساخه في دليل مختلف ، فتأكد من أن تكون بداخل ذلك dir في جهازك الطرفي.

الآن دعنا نتحقق من الإصدار الثابت الحالي من Prediction IO وهو 0.10.0

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

الخطوة رقم 2: لنقم بتوزيع التنبؤ IO

./make-distribution.sh

إذا سارت الأمور على ما يرام ، فستتلقى رسالة مثل هذه في وحدة التحكم الخاصة بك:

ومع ذلك ، إذا واجهت شيئًا كهذا:

ثم سيكون عليك إزالة .ivy2dir في الدليل الرئيسي الخاص بك ، افتراضيا هذا المجلد مخفي. تحتاج إلى إزالته بالكامل ثم تشغيله ./make-distribution.shمرة أخرى للبناء لإنشاء ملف توزيع بنجاح.

لقد واجهت هذه المشكلة شخصيًا عدة مرات ، لكنني لست متأكدًا من أن هذه هي الطريقة الصحيحة لتجاوز هذه المشكلة. لكن إزالة .ivy2المجلد وتشغيل أمر make-Distribution مرة أخرى يعمل.

الخطوة # 3: استخراج ملف التوزيع

بعد الإنشاء الناجح ، سيكون لدينا اسم ملف يسمى PredictionIO-0.10.0-incubating.tar.gz داخل الدليل حيث أنشأنا Prediction IO. الآن دعنا نستخرجه في دليل يسمى pio.

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

تأكد من تطابق اسم ملف tar.gz مع ملف التوزيع الموجود لديك داخل دليل PrictionIo الأصلي. إذا نسيت التحقق من الإصدار 0.10.0 من Prediction IO ، فمن المؤكد أنك ستحصل على اسم ملف مختلف ، لأن الإصدار الافتراضي سيكون هو الأحدث.

الخطوة # 4: الاستعداد لتنزيل التبعيات

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

الخطوة رقم 5: تنزيل Spark وإعداده

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

إذا كان دليلك الحالي هو ~/pioالأمر ، فسيقوم الأمر بتنزيل spark داخل pio dir. الآن دعنا نستخرجها. اعتمادًا على المكان الذي قمت بتنزيله فيه ، قد ترغب في تغيير الأمر أدناه.

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. 

تأكد من أنك فعلت ذلك في mkdir PredictionIO-0.10.0-incubating/vendorsوقت سابق.

الخطوة رقم 6: تنزيل وإعداد ElasticSearch

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

الخطوة رقم 7: تنزيل Hbase وإعداده

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

الآن دعنا hbase-site.xmlنعدل من أجل توجيه تكوين hbase إلى المسار الصحيح. بالنظر إلى أنك داخل ~/piodir ، يمكنك الضغط على هذا الأمر وتحرير hbase conf.

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

استبدل كتلة التكوين بالتكوين التالي.

  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 

هنا تشير كلمة " أنت" إلى دليل المستخدم الخاص بك ، على سبيل المثال إذا كنت تفعل كل هذا كمستخدم "توم" ، فسيكون شيئًا مثل file :: /// home / tom / ...

تأكد من وجود الملفات الصحيحة.

لنقم الآن بإعداد JAVA_HOME في hbase-env.sh.

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

هذا أمر حيوي لأننا إذا لم نمنح الإذن للمجلد pio ، فلن تتمكن عملية Prediction IO من كتابة ملفات السجل.

الخطوة رقم 12: ابدأ Prediction IO Server

نحن الآن جاهزون للانطلاق ، فلنبدأ خادم Prediction IO الخاص بنا. قبل تشغيل هذا الأمر ، تأكد من تصدير مسار pio الموضح أعلاه.

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. 

إذا كان كل شيء على ما يرام حتى هذه النقطة ، فسترى الناتج شيئًا كهذا.

ملاحظة: إذا نسيت إعطاء الإذن ، فستكون هناك مشكلات في كتابة السجلات وإذا كان مسار JAVA_HOME الخاص بك غير صحيح فلن يبدأ HBASE بشكل صحيح وسيعطيك الخطأ.

الخطوة رقم 13: تحقق من العملية

الآن دعنا نتحقق من التثبيت باستخدام pio status، إذا كان كل شيء على ما يرام ، فستحصل على إخراج مثل هذا:

إذا واجهت خطأ في Hbase أو أي تخزين آخر للخلفية ، فتأكد من بدء كل شيء بشكل صحيح.

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,

الآن دعونا نبني التطبيق pio buildمرة أخرى pio train. يجب إكمال التدريب بنجاح. بعد الانتهاء من التدريب ستصلك الرسالة كما يلي:

يرجى ملاحظة أن هذا التدريب يعمل فقط مع البيانات الصغيرة ، ولكن إذا كنت ترغب في تجربة مجموعة بيانات كبيرة ، فسيتعين علينا إعداد عامل شرارة مستقل لإنجاز التدريب. (سأكتب عن هذا في منشور مستقبلي.)

الخطوة رقم 19: نشر وخدمة التنبؤ

pio deploy#by default it will take 8000 port.

سيكون لدينا الآن خادم io للتنبؤات قيد التشغيل.

ملاحظة: لتبسيط الأمر ، أنا لا أتحدث عن خادم الأحداث في هذا المنشور ، لأنه قد يستغرق وقتًا أطول ، وبالتالي فإننا نركز على حالة الاستخدام البسيطة لـ Prediction IO.

الآن دعنا نحصل على التنبؤ باستخدام curl.

افتح محطة جديدة واضغط على:

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.

# ابدأ سبارك الابتدائية

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

سيبدأ هذا الشرارة الابتدائية. الآن دعنا نتصفح واجهة مستخدم الويب الخاصة بـ Spark Primary بالانتقال إلى // localhost: 8080 / في المتصفح.

لنقم الآن بنسخ عنوان url الأساسي لبدء تشغيل النسخة المتماثلة. في حالتنا ، فإن عنوان URL الأساسي هو شيء من هذا القبيل:

spark: // your-machine: 7077 (جهازك يشير إلى اسم جهازك)

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

سيبدأ العامل. قم بتحديث واجهة مستخدم الويب ، سترى العامل المسجل هذه المرة. الآن دعونا نجري التدريب مرة أخرى.

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

عظيم!

شكر خاص: بات فيريل من Action ML و Marius Rabenarivo