今天是“30天學習30種新技術”的第4天。到目前為止我很享受，而且周圍開發者反響也很不錯。我現在更有動力在30天內完成它了。在這篇文章中，我將介紹如何在Java下使用PredictionIO來簡單地構建一個博客推薦引擎。我沒找到太多在Java下使用PredictionIO的文檔。所以，本文對那些尋找在Java下使用PredictionIO的完整教程的人可能會有用。“30天學習30種新技術”系列文章的目錄可以在這里找到。

PredictionIO是什么？

PredictionIO是一個用Scala編寫的開源機器學習服務器應用，可以幫助你方便地使用REST API搭建推薦引擎。它同時也提供了客戶端SDK，封裝了REST API。Java、Python、Ruby和PHP都有客戶端SDK。PredictionIO的核心使用Apache Mahout。Apache Mahout是一個可伸縮的機器學習庫，它提供眾多聚集、分類、過濾算法。Apache Mahout可以在分布式的Hapoop集群上運行這些算法。

作為用戶，我們不需要操心這些細節。我們只需安裝PredictionIO然后使用它就是了。欲知詳情，請讀文檔。

我為什么要關心PredictionIO？

我決定學習PredictionIO是因為我想使用一個可以幫助我加上機器學習功能的庫。PredictionIO有助于實施諸如推薦有意思的內容、發現相似內容之類的功能。

安裝PredictionIO

在文檔中提及了很多安裝PredictionIO的方法。我使用Vagrant，這樣我就不會搞亂我的系統，同時不用自己配置所有的東西。

下載適合你的操作系統的最新版的vagrant：http://downloads.vagrantup.com/

下載并安裝 VirtualBox。 請參考 https://www.virtualbox.org/wiki/Downloads

下載最新的包含 PredictionIO 的 vagrant包： https://github.com/PredictionIO/PredictionIO-Vagrant/releases

解壓縮 PredictionIO-x.x.x.zip。其中包括了設置PredictionIO所需要的腳本。打開命令行終端，轉到PredictionIO-x.x.x目錄。

vagrant腳本將首先下載Ubuntu vagrant box，接著安裝依賴——MongoDB、Java、Hadoop和PredictionIO服務器。這很耗時間（取決于網速）。如果你所在的位置網絡不穩定，我建議你使用wget下載。wget命令支持斷點續傳。使用如下命令將precise64 box下載到適當的位置：

wget -c http://files.vagrantup.com/precise64.box

等待下載完成之后，打開Vagrantfile，修改config.vm.box_url，指向下載目錄，例如：

config.vm.box_url = "/Users/shekhargulati/tools/vagrant/precise64.box"

現在只需vagrant up就可以開始安裝進程了。取決于你的網速，這會花一些時間。

接著我們將按照文檔所言創建一個管理員賬戶 http://docs.prediction.io/current/installation/install-predictionio-with-virtualbox-vagrant.html#create-an-administrator-account

可以通過 http://localhost:9000/ 訪問應用。閱讀以下文檔了解詳情 http://docs.prediction.io/current/installation/install-predictionio-with-virtualbox-vagrant.html#accessing-predictionio-server-vm-from-the-host-machine PredictionIO應用會要求你登錄。登錄之后，你會見到如下所見的面板。

創建PredictionIO應用

作為開始，我們創建一個博客推薦應用。點擊“Add an App”按鈕，輸入應用名“blog-recommender”。

應用創建后，你可以在如下所示的Applications里看到。

接著點擊Develop，你將看到應用的詳情。重要的信息是App Key。你編寫應用的時候需要這個。

應用案例

我們正要實現的用例和亞馬遜的“購買此商品的顧客也同時購買”功能很相似。我們要實現的是“瀏覽此博客的讀者也同時瀏覽”功能。

開發博客推薦的Java應用

既然我們已經創建了PredictionIO應用，那么該是時候編寫我們的Java應用了。我們使用Eclipse來開發這個應用。我使用的是Eclipse Kepler，內建了m2eclipse集成。通過 文件 > 新建 > Maven項目 創建一個基于Maven的項目。選擇maven-archetype-quickstart，然后輸入Maven項目的詳細信息。用下面的內容替換pom.xml。

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"><modelVersion>4.0.0</modelversion><groupId>com.shekhar</groupid><artifactId>blog-recommender</artifactid><version>0.0.1-SNAPSHOT</version><packaging>jar</packaging><name>blog-recommender</name><url>http://maven.apache.org</url><properties><project.build.sourceEncoding>UTF-8</project.build.sourceencoding></properties><dependencies><dependency><groupId>io.prediction</groupid><artifactId>client</artifactid><version>0.6.1</version></dependency></dependencies><build> <plugins><plugin><groupId>org.apache.maven.plugins</groupid><artifactId>maven-compiler-plugin</artifactid><version>3.1</version><configuration><!-- http://maven.apache.org/plugins/maven-compiler-plugin/ --><source>1.7</source><target>1.7</target></configuration></plugin></plugins></build> </project>

上面的內容中值得注意的是PredictionIO Java API和Maven的依賴關系。

現在我們將編寫一個類，在PredictionIO中插入數據。這個類是這樣子的。

package com.shekhar.blog_recommender;import io.prediction.Client; import io.prediction.CreateItemRequestBuilder;public class BlogDataInserter {private static final String API_KEY = "wwoTLn0FR7vH6k51Op8KbU1z4tqeFGZyvBpSgafOaSSe40WqdMf90lEncOA0SB13";public static void main(String[] args) throws Exception {Client client = new Client(API_KEY);addUsers(client);addBlogs(client);userItemViews(client);client.close();}private static void addUsers(Client client) throws Exception {String[] users = { "shekhar", "rahul"};for (String user : users) {System.out.println("Added User " + user);client.createUser(user);}}private static void addBlogs(Client client) throws Exception {CreateItemRequestBuilder blog1 = client.getCreateItemRequestBuilder("blog1", new String[]{"machine-learning"});client.createItem(blog1);CreateItemRequestBuilder blog2 = client.getCreateItemRequestBuilder("blog2", new String[]{"javascript"});client.createItem(blog2);CreateItemRequestBuilder blog3 = client.getCreateItemRequestBuilder("blog3", new String[]{"scala"});client.createItem(blog3);CreateItemRequestBuilder blog4 = client.getCreateItemRequestBuilder("blog4", new String[]{"artificial-intelligence"});client.createItem(blog4);CreateItemRequestBuilder blog5 = client.getCreateItemRequestBuilder("blog5", new String[]{"statistics"});client.createItem(blog5);CreateItemRequestBuilder blog6 = client.getCreateItemRequestBuilder("blog6", new String[]{"python"});client.createItem(blog6);CreateItemRequestBuilder blog7 = client.getCreateItemRequestBuilder("blog7", new String[]{"web-development"});client.createItem(blog7);CreateItemRequestBuilder blog8 = client.getCreateItemRequestBuilder("blog8", new String[]{"security"});client.createItem(blog8);CreateItemRequestBuilder blog9 = client.getCreateItemRequestBuilder("blog9", new String[]{"ruby"});client.createItem(blog9);CreateItemRequestBuilder blog10 = client.getCreateItemRequestBuilder("blog10", new String[]{"openshift"});client.createItem(blog10);}private static void userItemViews(Client client) throws Exception {client.identify("shekhar");client.userActionItem("view","blog1");client.userActionItem("view","blog4");client.userActionItem("view","blog5");client.identify("rahul");client.userActionItem("view","blog1");client.userActionItem("view","blog4");client.userActionItem("view","blog6");client.userActionItem("view","blog7");}}

上面展示的類主要做了這些事：

我們創建了一個Client類的實例。Client類封裝了PredictionIO的REST API。我們需要將PredictionIO博客推薦應用的 API_KEY 提供給它。

接著我們利用Client實例創建了兩個用戶。這兩個用戶在PredictionIO應用中創建。只有userId是必須要填上的。

在此之后我們利用Clinet實例添加了10個博客。博客同樣在PredictionIO應用中創建。當創建一項事物的時候，你只需傳遞兩樣東西——itemId和itemType。blog1,...blog10是itemId，而javascript、scala等是itemType。

然后我們對創建的事物施加一些行動。用戶shekhar瀏覽了blog1、blog2和blog4，而用戶rahul則瀏覽了blog1、blog4、blog6和blog7。

最后，我們關閉了cilent實例。

將這個類作為Java應用程序運行。它會在PredictionIO中插入記錄，你可以通過查看面板來確認這一點。

既然數據已經插入了我們的PredictionIO應用了，我們需要在我們的應用中添加引擎。點擊Add an Engine按鈕。如下所示，選擇Item Similarity Engine。

然后創建Item Similarity Engine，輸入engine1作為名稱。

按下Create按鈕之后Item Similarity Engine就創建好了。現在你可以改動一些配置，不過我們將使用默認配置。進入Algorithms標簽，你會看到引擎尚未運行。點擊Train Data Model Now可運行引擎。

等上一段時間。數據模型訓練完成之后，你會看到狀態已經變成Running了。

我們要解決的問題是基于用戶訪問過的博客向用戶推薦博客。在下面的代碼中，我們獲取了對userId shekhar 而言 blog1 的相似項。

import io.prediction.Client;import java.util.Arrays;public class BlogrRecommender {public static void main(String[] args) throws Exception {Client client = new Client("wwoTLn0FR7vH6k51Op8KbU1z4tqeFGZyvBpSgafOaSSe40WqdMf90lEncOA0SB13");client.identify("shekhar");String[] recommendedItems = client.getItemSimTopN("engine1", "blog1", 5);System.out.println(String.format("User %s is recommended %s", "shekhar", Arrays.toString(recommendedItems)));client.close();} }

運行此Java程序，你會看到結果：blog4、blog5、blog6和blog7。

正如你在上面的例子中看到的，為應用增加推薦功能很容易。我會在我未來的項目中使用PredictionIO，我也會花更多的時間學習和使用PredictionIO。

這就是今天的內容。請多多回饋。

---

原文 Day 4: PredictionIO--How to Build A Blog Recommender
翻譯 SegmentFault

總結

以上是生活随笔為你收集整理的Day 4：PredictionIO——如何创建一个博客推荐器的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。