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？

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/DataNode Memory: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 ;
    }
复制代码

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);
                        }
                }
        });
复制代码

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 ;
    }
复制代码