【推荐系统】推荐业务架构介绍(一)

11.1 黑马头条推荐业务架构介绍

1.1.1业务

在头条APP海量用户与海量文章之上，使用lambda大数据实时和离线计算整体架构，利用黑马头条用户在APP上的点击行为、浏览行为、收藏行为等建立用户与文章之间的画像关系，通过机器学习推荐算法进行智能推荐

1.1.2 架构与业务流

• 1、用户的行为收集，业务数据收集
• 2、批量计算(离线计算)：用户文章画像
• 3、用户的召回结果、排序精选过程
• 4、grpc的实时推荐业务流的搭建

• 缓存

1.3 开发环境介绍

1.3.1 虚拟机设备

1.3.3 python环境

• 分布式环境：Hbase会遇到三台时间同步的问题

• python环境：三台也都必须安装

2.2 数据库迁移

2.2.1 数据库迁移需求

• 业务数据：133，134，135， 136

• web

• 推荐系统：137，138，139

• 导入过来，增量更新
• hadoop的hive数据仓库
• 同步一份数据在集群中方便进行数据分析操作

• 用户资料信息呢两张表：user_profile，user_basic
• 文章内容基本信息、频道三张表：news_article_basic，news_article_content，news_channel

2.2.2.2 Sqoop 迁移

业务数据导入问题

• 新增的用户、文章
• 修改的用户信息、文章信息

两种导入形式，我们选择增量，定期导入新数据

• sqoop全量导入

• 不需要创建HIVE表

• sqoop增量导入

• append
• incremental

• 直接sqoop导入到hive(–incremental lastmodified模式不支持导入Hive )
• sqoop导入到hdfs，然后建立hive表关联

2.2.2.3 Sqoop 迁移案例

sqoop 导出的 hdfs 分片数据，都是使用逗号 , 分割

于 hive 默认的分隔符是 /u0001（Ctrl+A）

Mysql导入对应hive类型:

MySQL(bigint) --> Hive(bigint) 
MySQL(tinyint) --> Hive(boolean) 
MySQL(int) --> Hive(int) 
MySQL(double) --> Hive(double) 
MySQL(bit) --> Hive(boolean) 
MySQL(varchar) --> Hive(string) 
MySQL(decimal) --> Hive(double) 
MySQL(date/timestamp) --> Hive(string)

注意：1、连接JDBC的IP 地址 或者主机名是否错误

2、确认mysql数据库打开并且能够sqoop测试成功

• 3、文章表导入news_article_basic，news_article_content、news_channel
  
• sqoop迁移一些有特殊字符的数据导入hadoop

• 加入—query参数，从数据库中选中对应字段，过滤相应内容，使用REPLACE、CHAR(或者CHR)进行替换字符

• HIVE读取存在问题
  
• HIVE默认分割符，**"\t", “\n”**这些特殊字符出不了
  

--query
select article_id, user_id, channel_id, REPLACE(REPLACE(REPLACE(title, CHAR(13), ''), CHAR(10), ''), ',', ' ') title, status, update_time from news_article_basic limit 1;
+------------+---------+------------+-----------------------------+--------+---------------------+
| article_id | user_id | channel_id | title                       | status | update_time         |
+------------+---------+------------+-----------------------------+--------+---------------------+
|          1 |       1 |         17 | Vue props用法小结原荐       |      2 | 2019-02-18 11:08:16 |
+------------+---------+------------+-----------------------------+--------+---------------------+

• 并且mysql表中存在tinyibt,必须在connet中加入: ?tinyInt1isBit=false

• 防止默认到HIVE中,字段默认会被转化为boolean数据类型

4、news_channel与用户两张表一起导入

5、news_article_content

• 全量导入(表只是看结构，不需要在HIVE中创建，因为是直接导入HIVE，会自动创建news_article_content)

2.2.3 crontab-shell脚本定时运行

• 创建一个定时运行的脚本

• crontab -e

• 写入定时执行的命令：

• */30 * * * * /root/toutiao_project/scripts/import_incremental.sh

• 启动服务

• service crond start/stop

2.2.3 总结

• sqoop导入业务数据到hadoop操作

• append, lastmodifield

• 增量导入形式

2.3 用户行为收集到HIVE

2.3.1 为什么要收集用户点击行为日志

• 便于了解分析用户的行为、喜好变化
• 为用户建立画像提供依据

2.3.2 用户日志如何收集

2.3.2.1 埋点开发测试流程

• 埋点参数:

• 就是在应用中特定的流程收集一些信息，用来跟踪应用使用的状况，后续用来进一步优化产品或是提供运营的数据支撑

• 1、PM（项目经理）、算法推荐工程师一起指定埋点需求文档
• 2、后端、客户端 APP集成
• 3、推荐人员基于文档埋点测试与梳理

2.3.2.2 黑马头条文章推荐埋点需求整理

• 埋点事件号:

• 停留时间

• read

• 点击事件

• click

• 曝光事件(相当于刷新一次请求推荐新文章)

• exposure

• 收藏事件

• collect

• 分享事件

• share

• 埋点参数文件结构

• 曝光的参数：下拉刷新，推荐新的若干篇文章
• 我们将埋点参数设计成一个固定格式的json字符串

2.3.3 离线部分-用户日志收集

通过flume将业务数据服务器A的日志收集到hadoop服务器hdfs的hive中

• 创建HIVE对应日志收集表

• HIVE数据库的设置，分区？
  
• 手动关联分区的hadoop的目录
  
• 收集到新的数据库中
  

a1.sources.s1.interceptors.i1.regex=\\{.*\\}

• flume收集日志配置
  sink:
  
• 开启收集命令
  

2.3.3 Supervisor进程管理

很方便的监听、启动、停止、重启一个或多个进程

• 使用

• 1、配置 supervisor开启配置文件在哪里

• /etc/supervisor/

• 2、配置.conf ，reco.conf
• 3、写入配置格式
• 4、开启supervisor, 启动
  supervisord -c /etc/supervisord.conf
• 5、supervisorctl管理进程

2.3.4 supervisor 启动监听flume收集日志程序

• 1、添加配置

[program:collect-click]
command=/bin/bash /root/toutiao_project/scripts/collect_click.sh
user=root
autorestart=true
redirect_stderr=true
stdout_logfile=/root/logs/collect.log
loglevel=info
stopsignal=KILL
stopasgroup=true
killasgroup=true

• 2、update更新我们要监控管理的程序
  

2.3.6 总结

• 用户行为日志收集的相关工作流程
• flume收集到hive配置
• supervisor进程管理工具使用

2.1 离线画像业务介绍

文章内容标签化：内容标签化，根据内容定性的制定一系列标签，这些标签可以是描述性标签。针对于文章就是文章相关的内容词语。

• 文章：频道ID内容，关键词、主题词

用户画像：研究用户对内容的喜好程度

2.4 离线文章画像计算

离线文章画像组成需求

• 文章画像，就是给每篇文章定义一些词。
  
• 关键词：文章中一些词的权重（TFIDF与texrank）高的。
  
• 主题词：是进行规范化处理的，文章中出现的同义词，计算结果出现次数高的词。

• 共性的词

1、原始文章表数据合并得到文章所有的词语句信息

• 文章标题+文章频道名称+文章内容组成文章完整内容

2.4.1 原始文章数据的合并

• 初始化spark信息配置，定义一个积基类

2.4.1.1 创建Spark初始化相关配置

• 合并三张表内容，到一张表当中，写入到HIVE中

• article数据库：存放文章计算结果
• article_data

• 建议初始化spark ， SparkSessionBase
  

jupyter notebook先把代码写好，测试好

2.4.1.2 进行合并计算

3、新建merge_data.ipynb文件

• 初始化spark信息
• 读取文章进行处理合并

• DF 进行注册一个表，temp合并文章频道名称

2.4.2 Tfidf计算

article_data

2.4.2.1 目的

• 计算出每篇文章的词语的TFIDF结果用于抽取画像
  
• 结果：计算得出N篇文章的TFIDF值，IDF索引结果合并得到词

• 最终表：
  

hive> select * from tfidf_keywords_values where article_id=3;
OK
3       17      var     22.4813
3       17      &#      41.1171
3       17      对象    14.0423
3       17      节点    56.4314
3       17      中文    7.0541
3       17      stringify       22.5552

2、所有历史文章Tfidf计算

2.4.2.2TFIDF模型的训练步骤

• 读取N篇文章数据
  
• 文章数据进行分词处理,得到分词结果

• 分词用的词库，三台都需要上传

• 先计算分词之后的每篇文章的词频，得到CV模型
  
• 然后根据词频计算IDF以及词，得到IDF模型

• 训练idf模型，保存
• cv * log(C1出现文章次数/总文章数量)
• 不同词列表，所有的词的IDF的值

• 利用模型计算N篇文章数据的TFIDF值

• tfidf_keywords_values：结果结果

• 用到idf_keywords_values这个表: 词以索引的对应关系

• 对于每篇文章的每个词的权重做排序筛选

3、所有历史文章TextRank计算

• 定义:通过词之间的相邻关系构建网络，然后用PageRank迭代计算每个节点的rank值，排序rank值即可得到关键词

• 词之间的相邻关系构建网络
• PageRank迭代计算每个节点的rank值(每个词，网页
• 利用图模型来提取文章中的关键词

举例:10篇文章

• 1、分词过滤
  
• 2、图建立，K窗口
  
• 3、计算权重排序
  

程序员=1.9249977,
人员=1.6290349,
分为=1.4027836,
程序=1.4025855,
高级=0.9747374,
软件=0.93525416,
中国=0.93414587,
特别=0.93352026,
维护=0.9321688,
专业=0.9321688,
系统=0.885048,
编码=0.82671607,
界限=0.82206935,
开发=0.82074183,
分析员=0.77101076,
项目=0.77101076,
英文=0.7098714,
设计=0.6992446,
经理=0.64640945

• 关键词评分：权重

2.4.3.1 文章的TextRank计算

• jieba.analyse.TextRank

• textrank_model

• textrank_model = TextRank(window=5, word_min_len=2)

textrank_keywords_values
tfidf_keywords_values