Propriétés du tRecommend pour Apache Spark Batch

Ces propriétés sont utilisées pour configurer le tRecommend s'exécutant dans le framework de Jobs Spark Batch.

Le composant tRecommend Spark Batch appartient à la famille Apprentissage automatique.

Le composant de ce framework est disponible dans tous les produits Talend Platform avec Big Data et dans Talend Data Fabric.

Basic settings

Schema et Edit Schema	Un schéma est une description de lignes. Il définit le nombre de champs (colonnes) à traiter et à passer au composant suivant. Lorsque vous créez un Job Spark, évitez le mot réservé `line` lors du nommage des champs. Créez le schéma en cliquant sur le bouton Edit Schema. Si le schéma est en mode Repository, trois options sont disponibles : View schema : sélectionnez cette option afin de voir uniquement le schéma. Change to built-in property : sélectionnez cette option pour passer le schéma en mode Built-In et effectuer des modifications locales. Update repository connection : sélectionnez cette option afin de modifier le schéma stocké dans le référentiel et décider de propager ou non les modifications à tous les Jobs. Si vous souhaitez propager les modifications uniquement au Job courant, cliquez sur No et sélectionnez à nouveau la métadonnée du schéma dans la fenêtre Repository Content. Notez que, en dehors des colonnes que vous pouvez modifier vous-même, les colonnes product_ID et score sont en lecture seule et utilisées pour contenir les données relatives aux préférences des utilisateurs et des utilisatrices calculées par rapport au modèle de recommandation utilisé. La colonne score indique à quel point un produit est recommandé à un utilisateur ou une utilisatrice.
Define a storage configuration component	Sélectionnez le composant de configuration à utiliser pour fournir les informations de configuration pour la connexion au système de fichiers cible, comme HDFS. Si vous laissez cette case décochée, le système de fichiers cible est le système local. Le composant de configuration à utiliser doit se trouver dans le même Job. Par exemple, si vous avez ajouté un composant tHDFSConfiguration dans votre Job, vous pouvez le sélectionner pour écrire le résultat dans un système HDFS donné.
Input parquet model	Saisissez le répertoire dans lequel est stocké le modèle de recommandation à utiliser. Ce répertoire doit se situer sur la machine où le Job est exécuté. Le bouton pour parcourir votre système ne fonctionne pas en mode Local de Spark. Si vous utilisez les autres modes Yarn de Spark supportés par le Studio avec votre distribution, assurez-vous d'avoir correctement configuré la connexion dans un composant de connexion dans le même Job, comme le tHDFSConfiguration. Utilisez le composant de configuration relatif au système de fichiers à utiliser. Ce modèle doit être généré par un composant tALSModel.
Select the User Identity column	Sélectionnez, parmi les colonnes d'entrée, la colonne contenant les données relatives à l'ID de l'utilisateur ou de l'utilisatrice. Le composant tRecommend nécessite que les ID des utilisateurs et des utilisatrices d'entrée correspondent aux utilisateurs et utilisatrices connu·e·s par le modèle de recommandation à utiliser.
Number of recommendations	Saisissez le nombre de produits les plus recommandés à écrire en sortie. Notez que cette valeur est une valeur numérique. Vous ne pouvez utiliser les guillemets doubles pour l'entourer.

Utilisation

Règle d'utilisation	Ce composant est utilisé comme étape intermédiaire. Ce composant, ainsi que la Palette Spark Batch à laquelle il appartient, ne s'affiche que lorsque vous créez un Job Spark Batch. Notez que, dans cette documentation, sauf mention contraire, un scénario présente uniquement des Jobs Standard, c'est-à-dire des Jobs Talend traditionnels d'intégration de données. Les ID des utilisateurs et des utilisatrices traités par ce composant doivent être connus par le modèle de recommandation à utiliser. Lorsqu'un utilisateur ou une utilisatrice est inconnu pour le modèle de recommandation, les valeurs correspondantes retournées dans les colonnes product_ID et score sont nulles. Cela vous permet de récupérer les enregistrements relatifs aux utilisateurs et utilisatrices inconnu·e·s, à l'aide d'un composant tFilterRow après le tRecommend au sein du même Job.
Installation de MLlib	La bibliothèque d'apprentissage automatique Spark, MLlib, utilise la bibliothèque gfortran runtime et, pour cette raison, vous devez vous assurer que cette bibliothèque est présente dans chaque nœud du cluster Spark à utiliser. Pour plus d'informations concernant MLlib et sa bibliothèque, consultez la documentation correspondante de Spark.
Spark Connection	Dans l'onglet Spark Configuration de la vue Run, définissez la connexion à un cluster Spark donné pour le Job complet. De plus, puisque le Job attend ses fichiers .jar dépendants pour l'exécution, vous devez spécifier le répertoire du système de fichiers dans lequel ces fichiers .jar sont transférés afin que Spark puisse accéder à ces fichiers : Yarn mode (Yarn Client ou Yarn Cluster) : Lorsque vous utilisez Google Dataproc, spécifiez un bucket dans le champ Google Storage staging bucket de l'onglet Spark configuration. Lorsque vous utilisez HDInsight, spécifiez le blob à utiliser pour le déploiement du Job, dans la zone Windows Azure Storage configuration de l'onglet Spark configuration. Lorsque vous utilisez Altus, spécifiez le bucket S3 ou le stockage Azure Data Lake Storage (aperçu technique) pour le déploiement du Job, dans l'onglet Spark configuration. Lorsque vous utilisez Qubole, ajoutez tS3Configuration à votre Job pour écrire vos données métier dans le système S3 avec Qubole. Sans tS3Configuration, ces données métier sont écrites dans le système Qubole HDFS et détruites une fois que vous arrêtez votre cluster. Lorsque vous utilisez des distributions sur site (on-premises), utilisez le composant de configuration correspondant au système de fichiers utilisé par votre cluster. Généralement, ce système est HDFS et vous devez utiliser le tHDFSConfiguration (en anglais). Standalone mode : utilisez le composant de configuration correspondant au système de fichiers que votre cluster utilise, comme le tHDFSConfiguration Apache Spark Batch ou le tS3Configuration Apache Spark Batch (en anglais). Si vous utilisez Databricks sans composant de configuration dans votre Job, vos données métier sont écrites directement dans DBFS (Databricks Filesystem). Cette connexion fonctionne uniquement pour le Job dans lequel vous l'avez définie.

Règle d'utilisation

Ce composant est utilisé comme étape intermédiaire.

Ce composant, ainsi que la Palette Spark Batch à laquelle il appartient, ne s'affiche que lorsque vous créez un Job Spark Batch.

Notez que, dans cette documentation, sauf mention contraire, un scénario présente uniquement des Jobs Standard, c'est-à-dire des Jobs Talend traditionnels d'intégration de données.

Les ID des utilisateurs et des utilisatrices traités par ce composant doivent être connus par le modèle de recommandation à utiliser. Lorsqu'un utilisateur ou une utilisatrice est inconnu pour le modèle de recommandation, les valeurs correspondantes retournées dans les colonnes product_ID et score sont nulles. Cela vous permet de récupérer les enregistrements relatifs aux utilisateurs et utilisatrices inconnu·e·s, à l'aide d'un composant tFilterRow après le tRecommend au sein du même Job.

Installation de MLlib

La bibliothèque d'apprentissage automatique Spark, MLlib, utilise la bibliothèque gfortran runtime et, pour cette raison, vous devez vous assurer que cette bibliothèque est présente dans chaque nœud du cluster Spark à utiliser.

Pour plus d'informations concernant MLlib et sa bibliothèque, consultez la documentation correspondante de Spark.

Spark Connection

Dans l'onglet Spark Configuration de la vue Run, définissez la connexion à un cluster Spark donné pour le Job complet. De plus, puisque le Job attend ses fichiers .jar dépendants pour l'exécution, vous devez spécifier le répertoire du système de fichiers dans lequel ces fichiers .jar sont transférés afin que Spark puisse accéder à ces fichiers :

Yarn mode (Yarn Client ou Yarn Cluster) :
- Lorsque vous utilisez Google Dataproc, spécifiez un bucket dans le champ Google Storage staging bucket de l'onglet Spark configuration.
- Lorsque vous utilisez HDInsight, spécifiez le blob à utiliser pour le déploiement du Job, dans la zone Windows Azure Storage configuration de l'onglet Spark configuration.
- Lorsque vous utilisez Altus, spécifiez le bucket S3 ou le stockage Azure Data Lake Storage (aperçu technique) pour le déploiement du Job, dans l'onglet Spark configuration.
- Lorsque vous utilisez Qubole, ajoutez tS3Configuration à votre Job pour écrire vos données métier dans le système S3 avec Qubole. Sans tS3Configuration, ces données métier sont écrites dans le système Qubole HDFS et détruites une fois que vous arrêtez votre cluster.
- Lorsque vous utilisez des distributions sur site (on-premises), utilisez le composant de configuration correspondant au système de fichiers utilisé par votre cluster. Généralement, ce système est HDFS et vous devez utiliser le tHDFSConfiguration (en anglais).
Standalone mode : utilisez le composant de configuration correspondant au système de fichiers que votre cluster utilise, comme le tHDFSConfiguration Apache Spark Batch ou le tS3Configuration Apache Spark Batch (en anglais).

Si vous utilisez Databricks sans composant de configuration dans votre Job, vos données métier sont écrites directement dans DBFS (Databricks Filesystem).

Cette connexion fonctionne uniquement pour le Job dans lequel vous l'avez définie.

Cette page vous a-t-elle aidé ?

Si vous rencontrez des problèmes sur cette page ou dans son contenu – une faute de frappe, une étape manquante ou une erreur technique – faites-le-nous savoir.

Laissez vos commentaires ici