Cómo construir un motor de recomendaciones usando Prediction IO Machine Learning Server de Apache

Esta publicación lo guiará a través de la instalación del servidor de aprendizaje automático Apache Prediction IO. Usaremos una de sus plantillas llamada Recomendación para construir un motor de recomendaciones que funcione. El producto terminado podrá recomendar productos personalizados dependiendo del comportamiento de compra de un usuario determinado.

El problema

Tiene una gran cantidad de datos y necesita predecir algo con precisión para que pueda ayudar a su empresa a aumentar sus ventas, aumentar los clientes, aumentar las ganancias, aumentar la conversión o lo que sea que necesite la empresa.

Los sistemas de recomendación son probablemente el primer paso que todos dan para aplicar la ciencia de datos y el aprendizaje automático. Los motores de recomendación utilizan datos como entrada y ejecutan sus algoritmos sobre ellos. Luego generan modelos a partir de los cuales podemos hacer predicciones sobre lo que realmente va a comprar un usuario, o lo que le puede gustar o no a un usuario.

Ingrese Prediction IO

"Apache PredictionIO (incubación) es un servidor de aprendizaje automático de código abierto construido sobre una pila de código abierto de última generación para desarrolladores y científicos de datos que crean motores predictivos para cualquier tarea de aprendizaje automático". - Documentación de Apache Prediction IO

El primer vistazo a la documentación me hace sentir bien porque me da acceso a una poderosa pila tecnológica para resolver problemas de aprendizaje automático. Lo que es más interesante es que Prediction IO da acceso a muchas plantillas, que son útiles para resolver los problemas reales.

La galería de plantillas consta de muchas plantillas para recomendaciones, clasificación, regresión, procesamiento de lenguaje natural y muchas más. Hace uso de tecnología como Apache Hadoop, Apache Spark, ElasticSearch y Apache Hbase para hacer que el servidor de aprendizaje automático sea escalable y eficiente. No voy a hablar mucho sobre el Prediction IO en sí mismo, porque puede hacerlo por su cuenta aquí.

Así que volvamos al problema: tengo un montón de datos de los historiales de compra de los usuarios, que consisten en user_id, product_id y purchase_date. Con estos, necesito hacer una predicción / recomendación personalizada para el usuario. Teniendo en cuenta este problema, usaremos una plantilla de recomendación con el servidor Prediction IO Machine Learning. Haremos uso del servidor de eventos Prediction IO, así como de la importación de datos masivos.

Así que sigamos adelante. (Nota: esta guía asume que está usando el sistema Ubuntu para la instalación)

Paso # 1: Descargue Apache Prediction IO

Vaya al directorio de inicio de su usuario actual y descargue la última incubadora de apache 0.10.0 Prediction IO. Supongo que estás en el siguiente directorio(/home/you/)

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

Ahora ve al directorio ` incubator-predictionio` donde hemos clonado el repositorio de Prediction IO. Si lo ha clonado en un directorio diferente, asegúrese de estar dentro de ese directorio en su terminal.

Ahora echemos un vistazo a la versión estable actual de Prediction IO, que es 0.10.0

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

Paso 2: hagamos una distribución de la predicción IO

./make-distribution.sh

Si todo salió bien, aparecerá un mensaje como este en su consola:

Sin embargo, si encuentra algo como esto:

entonces tendría que eliminar .ivy2dir en su directorio de inicio, por defecto esta carpeta está oculta. Debe eliminarlo por completo y luego ejecutarlo ./make-distribution.shnuevamente para que la compilación genere con éxito un archivo de distribución.

Personalmente, me he enfrentado a este problema muchas veces, pero no estoy seguro de que sea la forma válida de solucionar este problema. Pero eliminar la .ivy2carpeta y ejecutar nuevamente el comando make-distribution funciona.

Paso 3: Extraiga el archivo de distribución

Después de la compilación exitosa, tendremos un nombre de archivo llamado PredictionIO-0.10.0-incubating.tar.gz dentro del directorio donde construimos nuestra Prediction IO. Ahora vamos a extraerlo en un directorio llamado pio.

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

Asegúrese de que el nombre del archivo tar.gz coincida con el archivo de distribución que tiene dentro del directorio predictionIo original. Si olvidó verificar la versión 0.10.0 de Prediction IO, seguramente obtendrá un nombre de archivo diferente, porque de manera predeterminada, la versión sería la más reciente.

Paso 4: Prepárese para descargar dependencias

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

Paso # 5: Descarga y configura Spark

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

Si su directorio actual es ~/pioel comando, descargará la chispa dentro de pio dir. Ahora vamos a extraerlo. Dependiendo de dónde lo descargó, es posible que desee cambiar el siguiente comando.

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. 

Asegúrate de haberlo hecho mkdir PredictionIO-0.10.0-incubating/vendorsantes.

Paso # 6: Descargue y configure 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

Paso # 7: Descargue y configure Hbase

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

Ahora editemos el hbase-site.xmlpara apuntar la configuración de hbase al directorio correcto. Teniendo en cuenta que está dentro de ~/piodir, puede presionar este comando y editar el archivo hbase conf.

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

Reemplace el bloque de configuración con la siguiente configuración.

  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 

Aquí " usted" significa para su directorio de usuario, por ejemplo, si está haciendo todo esto como un usuario "tom", entonces sería algo así como file :: /// home / tom /…

Asegúrese de que estén los archivos correctos.

Ahora configuremos JAVA_HOME en 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

Esto es vital porque si no le damos permiso a la carpeta pio, el proceso Prediction IO no podrá escribir archivos de registro.

Paso # 12: Iniciar Prediction IO Server

Ahora que estamos listos para comenzar, comencemos nuestro servidor Prediction IO. Antes de ejecutar este comando, asegúrese de exportar la ruta pio descrita anteriormente.

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. 

Si todo está bien hasta este punto, verá el resultado algo como esto.

Nota: Si olvida dar permiso, habrá problemas para escribir registros y si su ruta JAVA_HOME es incorrecta, HBASE no se iniciará correctamente y le dará el error.

Paso # 13: Verifique el proceso

Ahora verifiquemos nuestra instalación con pio status, si todo está bien, obtendrá un resultado como este:

Si encuentra un error en Hbase o en cualquier otro almacenamiento de backend, asegúrese de que todo se inició correctamente.

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,

Ahora construyamos la aplicación con pio build, de nuevo pio train. La formación debe completarse con éxito. Después de terminar el entrenamiento, recibirá un mensaje como este:

Tenga en cuenta que esta capacitación funciona solo para datos pequeños; sin embargo, si desea probar con un conjunto de datos grande, tendríamos que configurar un trabajador de chispa independiente para realizar la capacitación. (Escribiré sobre esto en una publicación futura).

Paso # 19: Implementar y entregar la predicción

pio deploy#by default it will take 8000 port.

Ahora tendremos nuestro servidor de predicción io en ejecución.

Nota: para mantenerlo simple, no estoy hablando sobre el servidor de eventos en esta publicación, ya que puede ser aún más largo, por lo que nos estamos enfocando en un caso de uso simple de Prediction IO.

Ahora obtengamos la predicción usando curl.

Abre una nueva terminal y presiona:

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