Mahout案例实战--Dating Recommender 系统(hadoop2.6)
本帖最后由 nettman 于 2015-3-14 14:30 编辑问题导读
1.Mahout案例实战中 数据库部分做了哪些工作？
2.云平台算法提交并监控的思路是什么？
static/image/hrline/4.gif
软件版本：
Hadoop：2.6.0； Mahout：1.0（自行编译，只使用了两个jar文件）；Spring：4.0.2；Struts：2.3；Hibernate：4.3；jQuery EasyUI ：1.3.6；MySql：5.6；浏览器：chrome；MyEclipse：10.0；
Hadoop平台配置：
node1:NameNode/ResourceManger/DataNode/NodeManager Memory:2G
node2: NodeManager/DataNode/SecondaryNameNode/JobHistoryServer Memory:1.5G
node3: NodeManager/DataNodeMemory:1.5G
代码下载：http://download.csdn.net/detail/fansy1990/8490129
网盘下载：链接：http://pan.baidu.com/s/1c0Iq3ss 密码：7iak
系统运行：
（其中ratings.dat和gender.dat文件需要从 http://www.occamslab.com/petricek/data/下载）
1. 数据库部分：
1）修改configuration/db.properties 文件，改为用户自己的用户名、密码以及数据库；
2）启动tomcat，让Hibernate自动生成相关表。启动后可以看到数据库中有下面的表：
拷贝sql/treenode.sql中的第49行语句到命令行执行，然后浏览器访问tomcat发布的项目，比如这里的http://localhost:80/rec/ (或者http://localhost/rec/basic.jsp)即可访问项目主页，界面如下：
3) 下载相关数据文件，下载解压后文件如下：
修改configuration/util.properties文件中相应文件的路径，修改rating.proportion，该比例为数据ratings.dat分隔的比例，由于云平台运行协同过滤算法比较耗时，而且消耗内存较大，如果使用全部数据（245M）那么运行CF算法时会比较慢，这里采取上传一部分数据的方法，即先对ratings.dat进行分割，然后上传较小比例到云平台进行计算。如果使用的云平台计算资源较充分，可以设置该比例为1，同时上传较大的文件；
4）初始化用户基本信息表（即gender.dat数据入库）
在浏览器导航列表中选择“用户表初始化”或者在右上角系统设置中点击“初始化用户表”进行用户表数据导入；插入完成后，浏览器会有提示：
tomcat会有日志提示有插入耗时以及数据量，在数据库中查询t_user表中的记录数和此数据量相同；
5） 插入用户评分数据（即ratings.dat数据入库）
由于此数据量较大，所以不使用Hibernate插入，而直接使用命令行的方式插入。拷贝sql/import_ratings.sql中的第4行命令（需修改ratings.dat文件位置）到mysql编辑器执行（或者dos命令窗口执行也行），一般耗时300s左右；插入完成后，可以查询到表t_user_item_pref有 17359346条记录。
由于后面会根据userid进行查询，所以这里加上索引，运行第16行命令，一般耗时：4mins。
2. 云平台数据部分
1） 分割ratings.dat文件
点击浏览器右上角系统设置的“分割Rating数据” ，即可分割数据，分割完成后会给出下面的提示：
，后台也会提示数据分割完成！
分割后的数据在原始的ratings.dat所在的文件夹中，分为两部分，一个big为较大部分，一个为small为较小部分；
2）云平台验证：
点击导航中的“云平台验证”，在Tab页中相应的位置输入NameNode、Resourcemanager的ip以及端口（由于这里本机做了ip和机器名的映射，所以使用机器名亦可），验证成功给出提示：
3） 上传ratings.dat文件到云平台
点击导航中的“数据上传”，在出现的Tab中选择刚才分割产生的small较小部分点击上传，即可上传数据到云平台；
，
3. 云平台算法部分
0） 拷贝WebRoot/WEB-INF/lib下面的三个包到集群所有节点的目录：
1） Top算法：计算所有评分中平均分最高的Top个，在页面设置，比如：
由于集群有三个节点，所以这里设置reducer的个数为3，最小评分人数是指评分的人数，如果某个item只有一个人评分，而且是10分（最高分），那么其平均分也是10分，这样明显不合适，所以设置这个值可以剔除一些不合理的值；
设置好参数后，点击提交，会给出正在提交任务到云平台的提示，任务提交完成，即可打开算法监控界面，如下：
任务运行完成，会进行Top数据解析入库：
入库成功后，在表t_rec_top中查询到300条记录；
2）调用协同过滤算法
点击导航中的“协同过滤算法”，在弹出的Tab页面设置参数，点击提交，与Top算法类似，不过其监控界面不同，一般如下（此算法运行事件比较长）：
运行过程1：
运行过程2：
运行过程3：
CF算法解析主要是更新用户的推荐数据。
3） 调用单用户推荐
单用户推荐就是把云平台上推荐的结果展示而已，比如下面的数据
在单用户推荐界面可以看到下图：
4） 新用户推荐界面：
注意在调用新用户推荐算法前，需要先调用CF算法，因为新用户推荐算法的输入数据是CF算法中间的一个步骤产生的数据；
新用户推荐先选择需要展示的top用户的性别：
然后确定后，会显示top用户，可以对其进行评分（这里只能是盲目的评分，因为没有其他信息）
评分默认是5，可以进行编辑，编辑后保存即可，最后点击推荐。点击推荐类似Top算法，会向云平台提交新用户推荐任务，然后是监控界面：
查询相似推荐后，会给出推荐的列表（暂时设置为5个）：
4. 部分代码思路及实现
1） 云平台算法提交并监控
采用多线程的方式提交任务。首先初始化JobID为空（null），接着新线程启动云平台任务后，会初始化JobID，然后间隔一定时间去获得该JobID，如果获得则说明任务提交成功，前台返回。前台接收到返回的正确信息后，打开监控界面，并开启timer，每隔一定时间向后台请求JobID任务运行情况，得到返回结果进行显示。任务运行完成，则关闭timer，并提示。
其代码如下：
public void cf() throws IOException{
try{
// 初始化JobID
Utils.initialJobID();
// 提交任务
new Thread(new CFThread(numRecommenderations,similarityClassname,maxPerfPerUser,
minPerfPerUser,maxSimilaritiesPerItem,maxPrefsPerUserInItemSimilarity,
Integer.parseInt(reducerSize))).start();
while(Utils.getJobID()==null){
Thread.sleep(500); // 暂停500毫秒，初始化JObID
}
}catch(Exception e){
Utils.stringToWriter(Utils.FIALCHECK);
return ;
}
Utils.stringToWriter(Utils.PASSCHECK);
// 任务提交成功，初始化jobIDList
Utils.initialJobIDList(Utils.CFJOBNUM);
return ;
}
这里需要注意的是，在JobSubmitter类中增添了获取JobID的方法，因为JobID是私有变量，所以添加了一个static方法，可以在外面直接获取；
同时，在CF算法中由于有多个MR任务，所以需要根据当前的JobID或MR的任务个数提前初始化将要运行的JobID，这样在运行那个JObID时就不需要再次获取了。
2） 页面监控前台后台：
前台，定时Ajax刷新，重新reload datagrid的数据
function monitor_cf_refresh() {
// console.info("monitor_cf_refresh()函数"); // 不要打开，会重复多次
$.ajax({ // ajax提交
url : 'cloud/cloud_cfmonitor.action',
// data : "id=" + row,
dataType : "json",
success : function(data) {
if (data.finished == 'error') {// 获取信息错误 ，返回数据设置为0，否则正常返回
// $.messager.alert('提示', '获取任务信息错误，请查看后台日志！');
// 设置提示：
clearInterval(monitor_cf_interval);
$('#returnMsg_monitorcf').html('获取任务信息错误！');
// console.info(data);
} else if(data.finished == 'true'){
// $('#returnMsg_monitorcf').html('任务运行中...');// 直接显示任务运行中即可
// 所有任务运行成功则停止timer
$('#cfMonitorId').datagrid('loadData', data.rows);// 设置多一遍
clearInterval(monitor_cf_interval);
$('#returnMsg_monitorcf').html('任务运行完成！');
// 这里向后台请求解析CF结果，并入库，直接调用cfresult2db()函数即可
cfresult2db();
}else{
// 设置提示，并更改页面数据,多行显示job任务信息
// ------ 设置datagrid 的数据
$('#cfMonitorId').datagrid('loadData', data.rows);
}
}
});
后台：后台获得任务信息后，在附加一个属性值finished，表明此次返回任务状态数据时所有任务是否都已经完成，其代码如下：
/**
* 测试监控页面
* @throws IOException
*/
public void cftmp() throws IOException{
Utils.stringToWriter(Utils.PASSCHECK);
return ;
}
/**
* CF监控
* @date 2015/2/27 23:56 算法监控完成，页面未完善
* @throws IOException
*/
public void cfmonitor() throws IOException{
Map<String ,Object> jsonMap = new HashMap<String,Object>();
List<CurrentJobInfo> currJobList =null;
try{
// log.info("cfmonitor...");
currJobList = Utils.getJobList(Utils.CFJOBNUM);
jsonMap.put("rows", currJobList);// 放入数据
if (currJobList==null||currJobList.size()<=0){
jsonMap.put("finished", "error");
log.info("CF算法运行失败！");
}else if(currJobList.size()==Utils.CFJOBNUM){
// 当所有的任务都运行完成，需要发送完成消息
// 完成消息后，需要进行数据解析入库
// 入库使用前台发送请求到UserAction
CurrentJobInfo lastJob = currJobList.get(Utils.CFJOBNUM-1);
if(Utils.isJobFinished(lastJob)){
jsonMap.put("finished", "true");
log.info("CF算法运行完成！");
}
}else{
jsonMap.put("finished", "false");
}
// currJobList = Utils.getTmpJobList(Utils.CFJOBNUM);// 测试代码
// log.info(JSON.toJSONString(currJobList)); // 打印查看
Utils.stringToWriter(JSON.toJSONString(jsonMap));// 使用JSON数据传输
}catch(Exception e){
e.printStackTrace();
Utils.stringToWriter(Utils.FIALCHECK);
return ;
}
return ;
}
以上，如有疑问，可发邮件到fansy1990@foxmail.com , 欢迎交流。。。
转载请注明blog地址：http://blog.csdn.net/fansy1990
谢谢楼主分享。 你好 请问在插入数据表treenode时里面的第二个参数怎么是乱码呢
谢谢楼主分享
学习是唯一的生产力，努力学习，努力挣钱！！
页:
[1]