Spark Streaming と Spark GraphX を使用したTwitter解析による レコメンドサービス例
•
10 likes•3,187 views
研究発表で検証用に開発したSpark Streaming+Spark GraphXによるレコメンドシステムの発表資料です。ソースコードの詳細は資料のgithubのリンクを参照ください。
Recommended
More Related Content
What's hot
What's hot (20)
Viewers also liked
Viewers also liked (20)
Similar to Spark Streaming と Spark GraphX を使用したTwitter解析による レコメンドサービス例
Similar to Spark Streaming と Spark GraphX を使用したTwitter解析による レコメンドサービス例 (20)
More from Junichi Noda
More from Junichi Noda (20)
Spark Streaming と Spark GraphX を使用したTwitter解析による レコメンドサービス例
- 1. ‹#› ! Spark Streaming & Spark GraphX を使用したTwitter解析による レコメンドサービス例 GMOインターネット株式会社 次世代システム研究室 野田純一 2015.6.25
- 2. ‹#› Overview 1.自己紹介 2.研究目的 3.検証サービス説明 4.Spark Streamingを使用したオンラインTwitter解析によるレコメンドシステム 「Mikasa」-三 笠 5.Sparkについて 6.Spark Streamingについて 7.Spark Streaming + Spark GraphXを使用したTwitter解析とレコメンドシステム 「Ikazuchi」- 雷 8.Spark GraphXについて 9.参考文献紹介 10.まとめ
- 3. ‹#› 1. 自己紹介 野田純一 ■結構前 Java2EEによる業務オペレーションシステム ■ちょっと前 Perl/Rubyでソーシャルゲーム フレームワー ク開発 ■最近 Hadoopでアドテク ! Github: https://github.com/AKB428 Twitter: @n428dev Qiita: http://qiita.com/AKB428 Hatena: http://akb428.hatenablog.com/ 本部: http://akibalab.info/ Junichi Noda Larry Wall
- 4. ‹#›
- 5. ‹#› 2. 研究目的 • ストリーミング処理でTwitterオンライン解析がしたい ▶Spark Streaming • Twitterのソーシャル・ネットワークグラフを解析した い▶Spark GraphX • SparkをScalaで書いてScalaの知見をためる。 • Sparkを利用したサービスの事例が少ないため実際に 検証用のマイクロ サービスを設計、実装、運用を行い リファレンス的なサービスを作って業界に還元する。
- 7. ‹#›
- 9. ‹#›
- 11. ‹#›
- 12. ‹#›
- 13. ‹#› • Twitterストリームからデータを取得する。 • Twitter Streaming APIを使う。 • 400の検索キーワードが指定可能。 • Spark Stremingでリアルタイム集計を行う。
- 14. ‹#› ! • 日本語文章を単語にわけて分解して集計 • 日本語を分解するため形態素解析ライブラリ kuromojiを使う。 • アニメ作品など標準辞書にない単語はユーザー辞 書(CSV)を用意。
- 19. ‹#›
- 20. ‹#› 画面デモ（直近5分を毎分集計） (F1)2015年2期 TVアニメ http://tv-anime.xyz/5/ (F1)ラブライブ http://tv-anime.biz/5/ (F2)ラブライブ http://lovelive-net.com/5/ (F2)秋葉原 http://akiba-net.com/5/ (F2)関東TV番組 http://telev.net/5/ F1=ユーザー辞書に登録してある単語のみ集計 F2=ユーザー辞書外の単語も集計
- 21. ‹#› 画面デモ（直近60分を毎分集計） (F1)2015年2期 TVアニメ http://tv-anime.xyz/60/ (F1)ラブライブ http://tv-anime.biz/60/ (F2)ラブライブ http://lovelive-net.com/60/ (F2)秋葉原 http://akiba-net.com/60/ (F2)関東TV番組 http://telev.net/60/ F1=ユーザー辞書に登録してある単語のみ集計 F2=ユーザー辞書外の単語も集計
- 25. ‹#› ユーザー体験デモ（直近5分集計）携帯でアクセス! (F1)2015年2期 TVアニメ http://tv-anime.xyz/5/ (F1)ラブライブ http://tv-anime.biz/5/ (F2)ラブライブ http://lovelive-net.com/5/ (F2)秋葉原 http://akiba-net.com/5/ (F2)関東TV番組 http://telev.net/5/ F1=ユーザー辞書に登録してある単語のみ集計 F2=ユーザー辞書外の単語も集計
- 26. ‹#› ユーザー体験デモ（直近60分集計）携帯でアクセス (F1)2015年2期 TVアニメ http://tv-anime.xyz/60/ (F1)ラブライブ http://tv-anime.biz/60/ (F2)ラブライブ http://lovelive-net.com/60/ (F2)秋葉原 http://akiba-net.com/60/ (F2)関東TV番組 http://telev.net/60/ F1=ユーザー辞書に登録してある単語のみ集計 F2=ユーザー辞書外の単語も集計
- 27. ‹#› • Mikasa Twitter のデータ収集解析の２つのアプ ローチについて • ①Twitter Filter + ユーザー辞書のみの単語で絞る • １のメリット▶集計しやすい、後続の処理も設計し やすい。 • １のデメリット▶未知の単語を拾えない、ユーザー 辞書にひもづく別のワードを拾えない • 結論：ある程度、解析対象のドメインが固定されて いるものにはこのアプローチは有効
- 28. ‹#› • ② Twitter Filter + ユーザー辞書を使いつつ全ての単語を集計 • メリット▶ 未知のワードが拾える、リアルなネットワーク 解析ができる。 • デメリット▶ ジャンクワードが多く出現するのでデータクレ ンジングの作業にコストがかかる。 • 結論：解析対象が不明なドメインの場合、まずこのアプロー チで回す。計測対象のネットワークが変動しやすいドメインの 場合はこのアプローチが有効。ある程度アプローチ２で回し てアプローチ１に切り替える、もしくはアプローチ１を追加 した二段のサービスに設計する。
- 30. ‹#› 4. Spark Streaming ∼ソースコード補足 • TwitterUtilは実体はJavaのTwitterライブラリで あるtwitter4j • Twitter解析にはTwitterAPI特有のAPIレートリ ミット、単一IPによる高負荷時のアクセス制 限があるので注意 • Twitter開発者アカウントには電話番号が必須 になったので気軽に開発はできなくなりつつ ある。
- 31. ‹#› 5. Sparkについて ! ! ! ! ! • HadoopのMapReduceとは別アプローチ(DAG)での並列分散集計処理を行う • インメモリー処理 • Hadoopエコシステムの一部として扱われるがHadoopと直接的な関係はない • 2015年6月11日に 1.4.0 がリリース。https://spark.apache.org/releases/spark-release-1-4-0.html • 1.4.0でSparkRが追加(R言語でSparkを利用できる） • APIを利用できる言語はScala, Java, Python SparkR
- 33. ‹#› 5. Sparkについて∼最近の情勢 • 2015年6月15日 IBMが開発者と研究者を3500人Spark関連プロ ジェクトに投入 http://japan.zdnet.com/article/35065964/ • 2015年 6月15∼17日 Spark summit 2015 開催 (サンフランシスコ) • NTTデータが定期的に勉強会を実施 • 国内のサービス実例は少ない • 2大Hadoopディストリビューション CDHとHDPにはSparkが搭 載 • Spark1.4からはUIでモニタリングも行えるようになった。 http://qiita.com/AKB428/items/71900eecdf2350e1e45f
- 34. ‹#› 6. Spark Streaming について ! ! ! ! ! • Sparkサブシステムの一つでファイルからでなくリアルタイ ムに流れてくるストリームソースに対しての集計を対象とし ている。 • 直近1時間のツイート数を毎分集計する、直近3時間でアクセ スが多いIPを集計する・・などのウィンドウ集計が可能。
- 35. ‹#› 6. Spark Streaming ∼データソースについて ! ! ! ! ! ! その他、ssc.socketTextStream(" localhost", 7777) とするとローカルポートをソースにできるのでサーバーのログを流 し込んでリアルタイムにエラー、クラックIPの集計などが可能。
- 36. ‹#› Mikasaインストールについて インストールマニュアル https://gist.github.com/AKB428/c30bc6a979e05fa3a022 • TwitterAPIとAmazonAPIのアカウントがあれば1時間でセット アップ完了。 • AmazonAPIはリコメンドしない場合は不要。 • TwitterAPIのアカウント取得も10分程度で可能。 Mikasa OL https://github.com/AKB428/mikasa_ol Mikasa RS https://github.com/AKB428/mikasa_rs
- 37. ‹#› 8. Spark Streaming + Spark GraphXを使 用したTwitter解析とレコメンドシステム 「Ikazuchi」-雷 ! https://github.com/AKB428/ikazuchi_ol https://github.com/AKB428/ikazuchi_rs
- 38. ‹#›
- 39. ‹#›
- 41. ‹#›
- 44. ‹#› グラフ解析の適用範囲について • 元々はTwitterのソーシャルグラフを解析する想定 でした。 • しかしTwitterのソーシャルグラフをAPIで取得す るのは困難と判明。 • あるアカウントのフォロワーを取得するAPIは1 callにつき5000人まで取得可能だが、そのAPIは 15分に15回しか実行できない。 • 今回は商品グラフデータをダミーで用意して実施。
- 46. ‹#› Ikazuchi セットアップ https://github.com/AKB428/ikazuchi_ol ! https://github.com/AKB428/ikazuchi_rs ! • 必要なサーバー、ソフトウェアはMikasaと同じ • 商品グラフデータはAmazonAPIなどオープン系 のプロダクトAPIを使い「あなたにお勧め」商品 を紐付けるか、自社のユーザー購買履歴から構築。
- 47. ‹#› 8. Spark GraphXについて • Sparkでグラフデータを解析するサブシステム • グラフデータを解析できるがコードは直感的ではない • またあまり開発も盛り上がっておらず、Spark1.4では唯 一更新がないサブシステム https://spark.apache.org/releases/spark-release-1-4-0.html • Spark Packageにアドオンが唯一ない http://spark-packages.org/ ・オライリーの「Lerning Spark」にもサブシステムで唯 一解説がない。
- 49. ‹#› val graph: Graph[Int, Int] = GraphLoader.edgeListFile(sc, args(0)).cache() val ranks = graph.pageRank(0.0001).vertices val users = sc.textFile(args(1)).map { line => val fields = line.split(",") (fields(0).toLong, fields(1)) } val ranksByUsername = users.join(ranks).map { case (id, (username, rank)) => (username, rank) } println(ranksByUsername.collect().mkString("n"))
- 50. ‹#› 8. Spark GraphXについて GpaphXが需要がない理由は以下が考えられる • RDBからグラフデータ処理への頭の変換のコスト • そもそもグラフデータを持っている企業が少ない • グラフデータをオープンで公開してる企業が少ない • 現実の問題に適用しにくい、RDB・表概念で事たりて いる。 • GraphXが活性化するにはページランクアルゴリズム並 に簡単に使えるライブラリの充実が不可欠。 !
- 51. ‹#› • 9. 参考文献紹介-1 ! ! ! ! 「Scala逆引きレシピ」 • 他言語経験者でScalaが初心者の方にお奨め、情 報も新しく、PlayフレームワークやSBTの説明も 豊富。
- 52. ‹#› • 9. 参考文献紹介-2 ! ! ! ! 「Learning Spark」 • Sparkのコーディングはこれを読めば理解可能。 • 英語初心者でもかなり読みやすい本なのでお奨 め。今年日本語化されるらしい。
- 53. ‹#› • 10. まとめ • Twitterストリームのリアルタイムな集計にSpark Streamingは最適だった。（SQLだとデータを一度DB に格納し日付系の長いSQLを打つ必要がある。） • 日本語データを解析するためには形態素解析ライブラ リの使い方の把握、ユーザー辞書のチューニング、デー タクレンジングが重要で、ある程度は時間がかかる。 • Spark GpaphXは対象となるグラフデータを持ってい ないとグラフデータの構築から準備するコストが発生。