как бы я построить Рекомендация Двигатель с амазонки Redshift как данные source.is там любую модель Погонщик данных для амазонок или красного смещения S3погонщик DataModel для амазонки Рекомендации Двигатель красного смещения
Mahout использует Hadoop для чтения данных, за исключением нескольких поддерживаемые NoSQL dbs и JDBC dbs. Hadoop, в свою очередь, может использовать S3. Вам нужно будет настроить Hadoop для использования файловой системы S3, а затем Mahout должен отлично читать и писать на S3.
Redshift - это решение для хранения данных на основе Postgres и поддержка JDBC/ODBC. Mahout 0.9 поддерживает модели данных, хранящиеся в хранилищах, совместимых с JDBC, поэтому, хотя я этого не сделал, он должен поддерживаться
Рекомендаторы Mahout v1 работают на Spark, а ввод и вывод - текст по умолчанию. Все операции ввода-вывода проходят через Hadoop. Таким образом, данные S3 отлично подходят для ввода, но созданные модели также являются текстовыми и должны быть проиндексированы и запрошены с помощью поисковой системы, такой как Solr или Elasticsearch. Вы можете легко написать читателю, чтобы получить данные из любого другого магазина (Redshift), но вы, возможно, не захотите сохранять модели в хранилище данных, так как они должны быть проиндексированы solr и должны иметь супер быстрый поиск в поисковой системе.
Спасибо, pferrel. Мои данные находятся в sql-сервере, мы создаем хранилище данных на redshift.we не используют Hadoop, EMR-кластеры. мы хотим использовать mahout для рекомендаций в реальном времени (или в режиме реального времени). Пожалуйста, дайте мне несколько идей, мой технический набор (Redshift, sql server, S3, Mahout, R). –
Рекомендации NRT, используйте Mahout v1 (использует Spark) + Solr или Elasticsearch. Во время выполнения запрос представляет собой историю предпочтений текущего пользователя для Solr, что очень быстро, это возвращает упорядоченный список рекомендуемых элементов. Модель, которую вы индексируете в Solr, создается Mahout v1 «spark-itemsimilarity» Ссылки здесь: http://mahout.apache.org/users/recommender/intro-cooccurrence-spark.html Презентации и записи в блогах здесь: https://occamsmachete.com/ml Краткая книга на эту тему: https://www.mapr.com/practical-machine-learning – pferrel