【51CTO專稿】淘寶是一家擁有海量數(shù)據(jù)的公司，對于數(shù)據(jù)挖掘來說，海量數(shù)據(jù)本身具有噪聲、異構(gòu)、算法復(fù)雜、技術(shù)復(fù)雜等問題，如何構(gòu)建高性能的數(shù)據(jù)挖掘平臺，對于淘寶而言非常重要。近年來，淘寶在數(shù)據(jù)實時性和大規(guī)模計算及挖掘方面積累了很多實踐經(jīng)驗，本文中，淘寶技術(shù)專家明風(fēng)在51CTO記者采訪時，也分享了很多經(jīng)驗和方法。

[[90809]]

（左：明風(fēng) 右：51CTO記者）

【嘉賓簡介】黃明，淘寶技術(shù)專家，花名：明風(fēng)。2010年加入淘寶，一直從事Hadoop相關(guān)的的數(shù)據(jù)開發(fā)和挖掘工作，見證和支持了基于云梯的數(shù)據(jù)開發(fā)平臺的發(fā)展。現(xiàn)任淘寶技術(shù)部數(shù)據(jù)挖掘與計算團隊的Leader，負責(zé)Spark計算平臺和淘寶數(shù)據(jù)推薦產(chǎn)品和業(yè)務(wù)。

淘寶的數(shù)據(jù)特點

對于淘寶的數(shù)據(jù)特點，明風(fēng)認為主要有以下幾個方面：

一、大，淘寶每天的數(shù)據(jù)都是T級別的，怎樣對這些T級別的數(shù)據(jù)做很好的分析、采集、以及在做完數(shù)據(jù)清洗后，對于比較完整的行為數(shù)據(jù)進行挖掘，這是個需要解決的難題。因為數(shù)據(jù)量大的話，很多傳統(tǒng)算法很難直接應(yīng)用，需要進行并行化的改進。并行化改進之后，數(shù)據(jù)會慢下來，如何在兩者之間達到一個平衡點是非常重要的。

二、復(fù)雜，淘寶上的主體是買家、賣家和店鋪，買家的行為是一個從收藏、搜索、購買、評論等，這些行為并不是按照一定的時間順序去發(fā)生的，而是混合在一起。這些數(shù)據(jù)行為代表了消費者的購物模式，怎樣從混亂的行為中找到消費者的購物模式，是一個很復(fù)雜的過程。

三、有趣，淘寶的數(shù)據(jù)很豐富，從用戶的復(fù)雜行為可以看見買家很多活生生的特點，以及中國消費者的消費行為的心里，我們做過最簡單的數(shù)據(jù)統(tǒng)計分析，能夠了解中國各省女生需要買什么，男生需要買什么，這些數(shù)據(jù)能很好的反應(yīng)出中國消費的一個風(fēng)向標(biāo)，所以說淘寶的數(shù)據(jù)是非常有意思的。

構(gòu)建高性能的數(shù)據(jù)挖掘平臺

隨著數(shù)據(jù)挖掘業(yè)務(wù)的發(fā)展，基于傳統(tǒng)的Hadoop下的MapReduce，速度和靈活度，已經(jīng)不能滿足日益復(fù)雜的挖掘算法的需求，面臨多次迭代的機器學(xué)習(xí)算法，Mahout顯得力不從心。如何讓Hadoop這頭大象插上翅膀，飛馳起來，將大數(shù)據(jù)的價值發(fā)揮到淋漓盡致？明風(fēng)談到：“基于Yarn模式的Spark，可以兩者兼顧。”這并不是說淘寶要Follow業(yè)界最新的技術(shù)，是因為淘寶有實際需求的。對于淘寶數(shù)據(jù)挖掘團隊而言，一個高性能的計算框架對于在上層做數(shù)據(jù)挖掘與推薦是非常重要的，另外，在Spark上可以實現(xiàn)很多比較復(fù)雜的機器學(xué)習(xí)算法，用MLBase機器學(xué)習(xí)算法對消費者的行為進行最準(zhǔn)確的數(shù)據(jù)挖掘與分析，從而達到最好的推薦效果。

構(gòu)建過程中需要注意的問題

無論是選擇Spark還是選擇其他框架，都有一些共性的東西。明風(fēng)認為，“首先你需要明白搭建這個高性能系統(tǒng)的瓶頸在哪里，一個系統(tǒng)多快是取決于最慢的那一點，所以一定要把最慢的那一點提升到你需要的性能點，才能獲得高性能。這一點是特別值得注意的。Spark能夠在一個批量計算以及流式計算中，取得一個很好的平衡，把中間的一個點降到最低，這個是非常必要的。”

其次，明風(fēng)談到：“淘寶在做Spark過程中，由于很多東西都是很新的，所以要保持和社區(qū)良好的互動交流，將我們的改動反饋到社區(qū)里，形成一個良性循環(huán)。在淘寶，無論是Hadoop、HBase還是Spark，我們都是這樣的工作模式，才能讓我們的平臺出在最佳的狀態(tài)。”

以上便是構(gòu)建高性能數(shù)據(jù)挖掘平臺的重點內(nèi)容，更多精彩看點，請您關(guān)注以下視頻獲悉：

[[90810]]