如何在CentOS 7上安装和使用Apache PredictionIO进行机器学习

• 先决条件
• 安装Java
• 安装PredictionIO
• 安装必需的依赖项
• 配置PredictionIO环境
• 开始预测IO
• 实施引擎模板
• 包起来

当数据集达到一定大小时，无法使用传统的数据分析方法。分析海量数据的现代替代方法是使用机器学习方法。使用快速高效的算法时，机器学习能够产生准确的结果。

Apache PredictionIO是一个开源机器学习服务器，用于为任何机器学习任务创建预测引擎。通过使用可快速构建和部署的可定制引擎模板，它缩短了从实验室到生产的机器学习应用程序的时间。它提供了数据收集和服务组件，并抽象了底层技术以公开API，使开发人员可以专注于转换组件。一旦PredictionIO的引擎服务器被部署为Web服务，它就可以实时响应动态查询。

Apache PredictionIO由不同的组件组成。

• PredictionIO Platform：一个开源的机器学习堆栈，它建立在一些最新的开源应用程序（例如Apache Spark，Apache Hadoop，Apache HBase和Elasticsearch）的顶部。
• 事件服务器：它以实时模式或批处理模式连续从Web服务器或移动应用程序服务器收集数据。收集的数据可用于训练引擎或为数据分析提供统一的视图。事件服务器使用Apache HBase存储数据。
• 引擎服务器：引擎服务器负责进行实际的预测。它从数据存储中读取训练数据，并使用一种或多种机器学习算法来构建预测模型。引擎一旦部署为Web服务，就会使用REST API或SDK响应由Web或移动应用程序进行的查询。
• 模板库：此库提供各种类型的预构建引擎模板。您可以选择一个与用例相似的模板，然后根据需要进行修改。

先决条件

• 具有至少8GB RAM的Vultr CentOS 7服务器实例。为了进行测试和开发，您可以选择一个具有4GB RAM和另一个4GB交换内存的实例。
• 一个sudo的用户。

在本教程中，我们将使用192.0.2.1服务器的公共IP地址。192.0.2.1用您的Vultr公共IP地址替换所有出现的。

使用指南如何更新CentOS 7更新基本系统。系统更新后，继续安装Java。

安装Java

PredictionIO的许多组件都需要JDK或Java Development Kit版本8才能工作。它同时支持OpenJDK和Oracle Java。在本教程中，我们将安装OpenJDK版本8。

OpenJDK可以轻松安装，因为该软件包在默认的YUM存储库中可用。

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

验证Java的版本以确保已正确安装。

java -version

您将获得类似的输出。

[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)

在继续进行之前，我们需要设置JAVA_HOME和JRE_HOME环境变量。在系统中找到JAVA可执行文件的绝对路径。

readlink -f $(which java)

您将看到类似的输出。

[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

现在，根据Java目录的路径设置JAVA_HOME和JRE_HOME环境变量。

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

执行bash_profile文件。

source ~/.bash_profile

现在，您可以运行echo $JAVA_HOME命令来检查是否设置了环境变量。

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

安装PredictionIO

Apache提供了PredictionIO源文件，可以在本地下载和编译这些文件。创建一个新的临时目录以下载并编译源文件。

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

使用任何Apache Mirror网站下载PredictionIO源文件档案。

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

提取档案并编译源以创建PredictionIO的分发。

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

上述利润分配将会对依赖，这是默认的版本中建Scala 2.11.8，Spark 2.1.1，Hadoop 2.7.3和ElasticSearch 5.5.2。等待构建完成，这大约需要十分钟才能完成，具体取决于您系统的性能。

注意：您可以自由使用依赖项的最新受支持版本，但是由于某些功能可能已被弃用，因此在构建过程中可能会看到一些警告。运行./make-distribution.sh -Dscala.version=2.11.11 -Dspark.version=2.1.2 -Dhadoop.version=2.7.4 -Delasticsearch.version=5.5.3，根据您的选择替换版本号。

构建成功完成后，您将在最后看到以下消息。

...
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

PredictionIO二进制文件将保存在PredictionIO-0.12.0-incubating.tar.gz存档中。将归档文件提取到/opt目录中，并将所有权提供给当前用户。

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

设置PIO_HOME环境变量。

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

安装必需的依赖项

创建一个新的目录来安装PredictionIO作为依赖这样HBase，Spark和Elasticsearch。

mkdir /opt/PredictionIO-0.12.0-incubating/vendors

下载Scala 2.11.8版并将其解压缩到vendors目录中。

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

下载Apache Hadoop 2.7.3版并将其解压缩到vendors目录中。

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是PredictionIO的默认处理引擎。下载Spark版本2.1.1，并将其解压缩到vendors目录中。

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

下载Elasticsearch版本5.5.2并将其解压缩到vendors目录中。

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

最后，下载HBase 1.2.6版并将其解压缩到vendors目录中。

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

打开hbase-site.xml配置文件以配置HBase在独立环境中工作。

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

找到空的配置块，然后将其替换为以下配置。

<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>

数据目录将由HBase自动创建。编辑HBase环境文件以设置JAVA_HOME路径。

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

取消注释第27行，并将其设置JAVA_HOME为jreJava安装的路径。您可以使用以下readlink -f $(which java)命令找到JAVA可执行文件的路径。

# 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

另外，请注释掉行号46和47，因为JAVA 8不需要它们。

# 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"

配置PredictionIO环境

PredictionIO环境文件中的默认配置pio-env.sh假定我们使用的是PostgreSQL或MySQL。当我们使用HBase和Elasticsearch时，我们将需要修改文件中几乎所有的配置。最好对现有文件进行备份，然后创建一个新的PredictionIO环境文件。

mv /opt/PredictionIO-0.12.0-incubating/conf/pio-env.sh /opt/PredictionIO-0.12.0-incubating/conf/pio-env.sh.bak

现在为PredictionIO环境配置创建一个新文件。

nano /opt/PredictionIO-0.12.0-incubating/conf/pio-env.sh

使用以下配置填充文件。

# 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

保存文件并退出编辑器。

打开Elasticsearch配置文件。

nano /opt/PredictionIO-0.12.0-incubating/vendors/elasticsearch-5.5.2/config/elasticsearch.yml

取消注释该行，并将群集名称设置为与PredictionIO环境文件中提供的名称完全相同。pio在上述配置中，群集名称设置为。

# Use a descriptive name for your cluster:
#
cluster.name: pio

现在，将$PIO_HOME/bin目录添加到PATH变量中，以便直接执行PredictionIO可执行文件。

echo "export PATH=$PATH:$PIO_HOME/bin" >> ~/.bash_profile
source ~/.bash_profile

此时，PredictionIO已成功安装在您的服务器上。

开始预测IO

您可以使用单个命令启动PredictionIO中的所有服务，例如Elasticsearch，HBase和事件服务器。

pio-start-all

您将看到以下输出。

[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...

使用以下命令检查PredictionIO服务器的状态。

pio status

您将看到以下输出。

[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.

从以上消息中可以看到，我们的系统已准备就绪，可用于实现引擎模板和预测数据。

实施引擎模板

PredictionIO模板库中提供了几个随时可用的引擎模板，可以轻松地将其安装在PredictionIO服务器上。您可以自由浏览引擎模板列表，以找到最符合您需求的模板，也可以编写自己的引擎。

在本教程中，我们将实现E-Commerce Recommendation引擎模板，以使用一些示例数据来演示PredictionIO服务器的功能。该引擎模板向电子商务网站中的用户提供一些个人推荐。默认情况下，它具有诸如排除缺货项目或向训练模型后注册的用户提供推荐等功能。另外，默认情况下，引擎模板会接受用户的查看和购买事件，具有类别和属性的项目以及不可用项目的列表。培训和部署引擎后，您可以发送查询，其中包含用户ID和建议的项目数。生成的输出将是推荐商品ID的排名列表。

安装Git，因为它将用于克隆存储库。

cd ~    
sudo yum -y install git

在系统上克隆“电子商务推荐器”引擎模板。

git clone https://github.com/apache/incubator-predictionio-template-ecom-recommender.git MyEComRecomm  

为电子商务建议模板引擎创建一个新的应用程序。PredictionIO中的每个应用程序都用于存储单独网站的数据。如果您有多个网站，则可以创建多个应用程序以将每个网站的数据存储到另一个应用程序中。您可以自由选择应用程序的任何名称。

cd MyEComRecomm/
pio app new myecom

您将看到以下输出。

[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

上面的输出还包含访问密钥，该访问密钥将在将输入数据发送到事件服务器时用于进行身份验证。

您始终可以通过运行找到访问密钥以及可用应用程序列表。

pio app list

您将看到以下输出，其中包含应用程序列表和访问密钥。

[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).

现在我们已经创建了一个新的应用程序，我们将向其中添加一些数据。在生产环境中，您希望通过将事件服务器API集成到应用程序中来自动将数据发送到事件服务器。要了解PredictionIO的工作原理，我们将一些样本数据导入其中。模板引擎提供了一个Python脚本，可以轻松使用该脚本将示例数据导入事件服务器。

安装Python pip。

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

使用pip安装PredictionIO Python SDK。

sudo pip install predictionio

运行Python脚本以将示例数据添加到事件服务器。

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

确保将访问密钥替换为实际的访问密钥。您将看到类似的输出。

[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.

上面的脚本导入了10个用户，6个类别中的50个项目以及一些购买和观看的随机事件。要检查事件是否已导入，可以运行以下查询。

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

输出将以JSON格式显示所有已导入事件的列表。

现在，将engine.json文件打开到编辑器中。该文件包含引擎的配置。

nano engine.json

查找出现的位置，appName然后用您之前创建的应用的实际名称替换该值。

{
  "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
      }
    }
  ]
}

生成应用程序。

pio build --verbose

如果您不想看到日志消息，请删除该--verbose选项。首次构建引擎模板将花费几分钟。构建成功完成后，您将看到类似的输出。

[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.

现在训练引擎。在训练过程中，引擎将分析数据集并根据提供的算法进行自我训练。

pio train

在部署应用程序之前，我们需要打开端口，8000以便可以在Web GUI上查看应用程序的状态。同样，使用事件服务器的网站和应用程序也将通过此端口发送和接收其查询。

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

现在，您可以部署PredictionIO引擎。

pio deploy

上面的命令将在端口上部署引擎和内置的Web服务器，8000以响应来自电子商务网站和应用程序的查询。成功部署引擎后，您将在最后看到以下输出。

[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.

您可以http://192.0.2.1:8000使用任何现代浏览器来验证引擎的状态。确保将其替换192.0.2.1为实际的Vultr IP地址。

这表示电子商务建议引擎模板已部署并成功运行。您可以u5通过在新的终端会话中运行以下查询来查询引擎模板以为用户获取五项建议。

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

您将看到为user生成的推荐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}]}

包起来

恭喜，Apache PredictionIO已成功部署在您的服务器上。现在，您可以使用事件服务器的API将数据导入引擎中，以预测对用户的建议。如果需要，可以使用模板库中的其他一些模板。确保检查出通用推荐引擎模板，该模板可用于几乎所有用例，包括电子商务，新闻或视频。