推荐系统搭建全程图文攻略.docx

1、推荐系统搭建全程图文攻略推荐系统搭建全程图文攻略一推荐系统架构简介整体推荐架构图：1.推荐整体从数据处理开始，默认数据从关系型数据到每天增量导入到hive，在hive中通过中间表和调用python文件等一系列操作，将数据处理为算法数学建模的入口数据，这里只是模拟一下，所以用一个scala文件产生所有准备数据，并直接load到hive中去做数据处理2.数据处理完以后开始数学建模，通过recommend.scala文件对逻辑回归算法的调用，产生模型文件，将三个模型文件拷贝到dubbox项目的响应目录，启动项目，访问测试整个过程默认已经有hive环境，intellij idea的环境，并且可以执行s

2、cala文件流程如下：Scala文件产生数据 load到hive，处理数据 recommond.scala调用逻辑回归算法计算模型，生成模型文件 将模型文件拷贝到项目制定目录，运行项目 浏览器访问测试二数据预处理1.创建测试数据通过DataGenerator类创建数据，参见附件DataGenerator.scala文件，传入参数两个，数据条数和输出目录比如：100000 E:推荐系统资料hitop会输出三个文件2.hive建表真实的生产场景涉及到大概五十张表的字段，这里全部简化流程，直接给出最终的三张表：应用词表用户历史下载表正负例样本表建表语句：应用词表：CREATE EXTERNAL TA

3、BLE IF NOT EXISTS dim_rcm_hitop_id_list_ds( hitop_id STRING, name STRING, author STRING, sversion STRING, ischarge SMALLINT, designer STRING, font STRING, icon_count INT, stars DOUBLE, price INT, file_size INT, comment_num INT, screen STRING, dlnum INT)row format delimited fields terminated by t;用户历

4、史下载表：CREATE EXTERNAL TABLE IF NOT EXISTS dw_rcm_hitop_userapps_dm( device_id STRING, devid_applist STRING, device_name STRING, pay_ability STRING)row format delimited fields terminated by t;正负例样本表：CREATE EXTERNAL TABLE IF NOT EXISTS dw_rcm_hitop_sample2learn_dm ( label STRING, device_id STRING, hito

5、p_id STRING, screen STRING, en_name STRING, ch_name STRING, author STRING, sversion STRING, mnc STRING, event_local_time STRING, interface STRING, designer STRING, is_safe INT, icon_count INT, update_time STRING, stars DOUBLE, comment_num INT, font STRING, price INT, file_size INT, ischarge SMALLINT

6、, dlnum INT)row format delimited fields terminated by t;3.load数据分别往三张表load数据：用户词表：load data local inpath /opt/sxt/recommender/script/applist.txt into table dim_rcm_hitop_id_list_ds;用户历史下载表：load data local inpath /opt/sxt/recommender/script/userdownload.txt into table dw_rcm_hitop_userapps_dm;正负例样本表：

7、load data local inpath /opt/sxt/recommender/script/sample.txt into table dw_rcm_hitop_sample2learn_dm;4.构建训练数据1.创建临时表CREATE TABLE IF NOT EXISTS tmp_dw_rcm_hitop_prepare2train_dm( device_id STRING, label STRING, hitop_id STRING, screen STRING, ch_name STRING, author STRING, sversion STRING, mnc STRIN

8、G, interface STRING, designer STRING, is_safe INT, icon_count INT, update_date STRING, stars DOUBLE, comment_num INT, font STRING, price INT, file_size INT, ischarge SMALLINT, dlnum INT, idlist STRING, device_name STRING, pay_ability STRING)row format delimited fields terminated by t;CREATE TABLE IF

9、 NOT EXISTS dw_rcm_hitop_prepare2train_dm ( label STRING, features STRING)row format delimited fields terminated by t;2.训练数据预处理过程首先将数据从正负例样本和用户历史下载表数据加载到临时表中INSERT OVERWRITE TABLE tmp_dw_rcm_hitop_prepare2train_dmSELECT t2.device_id, t2.label, t2.hitop_id, t2.screen, t2.ch_name, t2.author, t2.sversi

10、on, t2.mnc, t2.interface, t2.designer, t2.is_safe, t2.icon_count, to_date(t2.update_time), t2.stars, ment_num, t2.font, t2.price, t2.file_size, t2.ischarge, t2.dlnum, t1.devid_applist, t1.device_name, t1.pay_abilityFROM( SELECT device_id, devid_applist, device_name, pay_ability FROM dw_rcm_hitop_use

11、rapps_dm) t1RIGHT OUTER JOIN ( SELECT device_id, label, hitop_id, screen, ch_name, author, sversion, IF (mnc IN (00,01,02,03,04,05,06,07), mnc,x) AS mnc, interface, designer, is_safe, IF (icon_count = 5,icon_count,6) AS icon_count, update_time, stars, IF ( comment_num IS NULL,0, IF ( comment_num = 1

12、0,comment_num,11) AS comment_num, font, price, IF (file_size = 2*1024*1024,2, IF (file_size = 4*1024*1024,4, IF (file_size = 6*1024*1024,6, IF (file_size = 8*1024*1024,8, IF (file_size = 10*1024*1024,10, IF (file_size = 12*1024*1024,12, IF (file_size = 14*1024*1024,14, IF (file_size = 16*1024*1024,1

13、6, IF (file_size = 18*1024*1024,18, IF (file_size = 20*1024*1024,20,21) AS file_size, ischarge, IF (dlnum IS NULL,0, IF (dlnum = 50,50, IF (dlnum = 100,100, IF (dlnum = 500,500, IF (dlnum = 1000,1000, IF (dlnum = 5000,5000, IF (dlnum = 10000,10000, IF (dlnum = 20000,20000,20001) AS dlnum FROM dw_rcm

14、_hitop_sample2learn_dm) t2ON (t1.device_id = t2.device_id);然后再利用python脚本处理格式这里要先讲python脚本加载到hive中ADD FILE /opt/sxt/recommender/script/dw_rcm_hitop_prepare2train_dm.py;可以通过list files;查看是不是python文件加载到了hivePython文件：dw_rcm_hitop_prepare2train_dm.py 在hive语句中调用python脚本INSERT OVERWRITE TABLE dw_rcm_hitop_p

15、repare2train_dmSELECTTRANSFORM (t.*)USING python dw_rcm_hitop_prepare2train_dm.pyAS (label,features)FROM( SELECT label, hitop_id, screen, ch_name, author, sversion, mnc, interface, designer, icon_count, update_date, stars, comment_num, font, price, file_size, ischarge, dlnum, idlist, device_name, pa

16、y_ability FROM tmp_dw_rcm_hitop_prepare2train_dm) t;3.导出训练数据将处理完成后的训练数据导出用做线下训练的源数据insert overwrite local directory /opt/data/traindata row format delimited fields terminated by t select * from dw_rcm_hitop_prepare2train_dm;注：这里是将数据导出到本地，方便后面再本地模式跑数据，导出模型数据。这里是方便演示真正的生产环境是直接用脚本提交spark任务，从hdfs取数据结果仍然

17、在hdfs，再用ETL工具将训练的模型结果文件输出到web项目的文件目录下，用来做新的模型，web项目设置了定时更新模型文件，每天按时读取新模型文件三模型训练将导出的数据作为输入放在recommend类中执行，参见附件recommond.scala文件，参数为四个，分别是spark执行的模式，输入数据文件路径，分隔符和输出数据路径，注意这里分割是tab键或者是逗号，因为源数据中的分隔符号不统一这里的输入文件为前面导出的训练数据，地址为linux本地路径/opt/data/traindata/000000_0例如：local E:/推荐系统/资料/hitop/000000_0 t|; E:/推荐

18、系统/资料/hitop/model.csv得到结果文件为特征和权重，如图后面的权重小数为科学计数法四线上模型使用1.拷贝模型文件这里需要注意两个问题：1.是所有maven依赖都要下下来，如果maven依赖下不下来，看缺少哪些包从war包中导2是一定要用jdk1.8的版本，因为项目用了dubbo较新的版本，所以需要jdk1.8解压项目文件dubbox.rar将产生的模型文件放到项目资源文件下的offlineFile目录下（如：D:dubboxdubbo-demo-providersrcmainresourcesofflineFile），将前面产生的applist.txt改名为ItemList.c

19、sv，将userdownload.txt文件改名为UserItemsHistory.csv，看下hvde文件和csv文件的字段描述是否匹配2.修改配置文件修改资源文件中的zookeeper的ip和端口配置3.启动项目将dubbo-demo-provider项目发布到tomcat，并启动成功4.访问测试安装火狐浏览器，点击右上角安装附加组件在右上角输入搜索RESTClient，如果没安装会在可用附件组件中搜到，安装一下，我这里是安装过了安装完成以后会出现在右上角点击此图标进入RESTClient的页面，并编辑如下参数其中head部分参数编辑点击上面headers部分添加Custom Header分别添加如下两个Header点击右边send按钮返回状态返回结果到此为止整个推荐系统部署完成，如果有web展示端可以通过restful接口访问线上服务，将推荐的信息在web端展示 . .