最新要闻

广告

手机

灌区渠道内提前蓄水保障农田用水 保证粮食安全 独家焦点

灌区渠道内提前蓄水保障农田用水 保证粮食安全 独家焦点

全球即时:济南市章丘区:读书分享 书香呵护“她”美丽

全球即时:济南市章丘区:读书分享 书香呵护“她”美丽

家电

天天快看点丨关于项目初期,数据量小的内容推荐的实现方法

来源:博客园

前言

当下,只要是一个初具规模的内容应用都具备个性化推荐系统。比如购物类的会有推荐商品模块,搜索条下有个性化的搜索关键词或词条补全词,社交类的有博主推荐,视频或文章推荐等等。这些功能除了要有庞大的数据量,还要有健全的数据存储仓库建设方案,以及后面对数据的清洗,排序,训练后的推荐模型算法。

但是,对于小公司或者说是小项目,在想法还未真正落地就设计大数据存储,推荐算法和一系列大型架构的方案,显然是不符合业务型产品开展的正常规律的。我想那些大厂早期开发应该也没有这么成熟的技术结构,都是不断迭代或者推倒重来一步步走过来的。


(资料图片)

那么,在小项目早期安排了有关于推荐功能的那要如何解决呢? 如何做到下一次迭代在不重构的基础上添加协同过滤推荐? 下面就从视频推荐和用户推荐两个功能展开,用PHP和MySQL进行代码实现。

视频推荐

这里主要通过一个内容热度值进行排序推荐,热度由内容质量和发布时间差决定,时差越长,热度越低,内容质量越高热度越高。而内容质量由视频点赞数,收藏数和评论数外带权重决定,总体就是单位时间内点赞,收藏,评论越高,热度提升,视频就越往前靠。相对的就是发布时间越久,热度就会逐步降低,视频越往后靠。

另外我们还要设计两个参数用于手动调节视频的热度,提高就只需要增加内容质量,所以额外加一个数可以说是初始值。降低可以对时间差添加一个指数,也就是时间差的次方,可以理解是重力,也就是随着时间拉长,重力增加则热度成倍降低。

1. 公式

1.1. ”H“:视频热度值

1.2. ”W“:视频质量,质量值自定(点赞数*权重,收藏数*权重之和,或者点赞率(点赞量/阅读量),收藏率(收藏量/阅读量)之和)等。

1.3. ”I“:初始值,可以手动调节热度或者用于后期用户账号的权重。比如系统已经有了成长体系,账号发育规则基本完善了,用于实时计算账号的权重分配的流量池,权重提升,则后面发布的视频推荐力度大。

1.4. ”T“:时间差,由当前时间 - 发布时间产生,加一的原因是防止时间差为0(分母为零),不过有审核机制下,这种情况并不存在。

1.5. ”G":热度衰减重力,这个也是用于手动调节热度设置的控制参数。不过后期如果添加了举报或者智能复审等环节,再随着诸如点赞和账户权重评估失控热度飙升的情况下,对视频违规或不良表现或临时情况进行减小推荐。默认值最好是1,这种情况就是在同等质量下新发布的越往前。

2. 表结构

CREATE TABLE `hhyp_short_video` (  `id` int(11) NOT NULL AUTO_INCREMENT,  `hsvn` varchar(255) DEFAULT "" COMMENT "短视频编号",  `type` tinyint(1) DEFAULT "0" COMMENT "类型:1. 视频 2.图文",  `user_id` int(11) DEFAULT "0",  `video_url` varchar(255) DEFAULT "",  `img_url` json DEFAULT NULL,  `content` text COMMENT "内容",  `market_goods_id` int(11) DEFAULT "0",  `address_id` int(11) DEFAULT "0" COMMENT "地址ID",  `lat` decimal(4,0) DEFAULT "0" COMMENT "纬度",  `lng` decimal(4,0) DEFAULT "0" COMMENT "经度",  `ip` varchar(100) CHARACTER SET utf8 DEFAULT "" COMMENT "IP",  `channel` tinyint(1) DEFAULT "0" COMMENT "渠道",  `read_count` int(11) DEFAULT "0" COMMENT "浏览数",  `like_count` int(11) DEFAULT "0" COMMENT "点赞数",  `collect_count` int(11) DEFAULT "0" COMMENT "收藏数",  `comment_count` int(11) DEFAULT "0" COMMENT "评论数",  `share_count` int(11) DEFAULT "0" COMMENT "分享数",  `is_top` tinyint(1) DEFAULT "0" COMMENT "是否置顶:0.否 1.是",  `status` int(11) DEFAULT "0" COMMENT "0. 审核中 10. 推荐  20. 下架",  `hot_int` int(11) DEFAULT "1" COMMENT "热度初始值",  `gravity` int(11) DEFAULT "1" COMMENT "热度重力衰减值",  `audit_time` int(11) DEFAULT "0" COMMENT "审核时间",  `remark` text,  `create_time` int(11) DEFAULT "0" COMMENT "创建时间",  `delete_time` int(11) DEFAULT "0",  `update_time` int(11) DEFAULT "0",  PRIMARY KEY (`id`)) ENGINE=InnoDB AUTO_INCREMENT=107 DEFAULT CHARSET=utf8mb4;

3. 代码

public static function getList($map, $page = 1, $size = 20)    {        // 数据指标权重配置        $wcfg = [            "like_weight" => 4,            "collect_weight" => 3,            "comment_weight" => 1        ];        $timeUnit = 3600;          // 单位小时        $where[] = ["delete_time", "=", 0];        $map = array_merge($where, $map);        // 单位小时内,点赞/收藏/评论越多热度越高,发布越久热度越低        $alog = "(like_count*%s+collect_count*%s+comment_count*%s+hot_int)/pow((UNIX_TIMESTAMP(NOW())-create_time)/%s, gravity)";        $hotIndex = sprintf($alog, $wcfg["like_weight"], $wcfg["collect_weight"], $wcfg["comment_weight"], $timeUnit);        $field = ["id, hsvn,type,user_id,video_url,img_url,content,market_goods_id,        like_count,collect_count,address_id,comment_count,share_count,create_time, $hotIndex as hot_index"];        $list = self::field($field)            ->json(["img_url"], true)            ->with([                "user" => function ($query) {                    $query->withField("id, nickname, mobile, avatar");                },                "marketGoods" => function ($query) {                    $query->withField("id, content,freight,user_id");                },                "address" => function ($query) {                    $query->withField("id, mername");                }            ])            ->where($map)            ->page($page, $size)            ->order("hot_index desc")            ->select();        return $list;    }

用户推荐

推荐用户,大部分是放在App里的个人中心感兴趣用户模块。有的是给用户推荐授权的通讯录好友,有的是根据行为数据,通过给用户打标签,再推荐与自己标签相似的用户等等方式。而我这里的用户推荐是放在发布视频的用户面板里,本来我想通过协同过滤的相似用户来做,由于数据太有限,加之我们业务本身就不能查看用户关注列表和粉丝列表,所以就暂时用了一个折中的方法,给用户推荐创作者关注的关注。

根据当前面板用户关注的用户里挑出粉丝数最多的前十个,然后再从这十个里分别挑出他们关注用户里粉丝最多的前十,最后合并去重,也就是给自己推荐打开用户关注的关注里粉丝最多的那批人。

1. 表结构

CREATE TABLE `hhyp_user_attention` (  `id` int(11) NOT NULL AUTO_INCREMENT,  `user_id` int(11) NOT NULL DEFAULT "0" COMMENT "用户id",  `comcemed_user_id` int(11) NOT NULL DEFAULT "0" COMMENT "关注的用户id",  `create_time` int(11) DEFAULT "0" COMMENT "创建时间",  `status` smallint(3) NOT NULL DEFAULT "0" COMMENT "关注状态 0未关注 1已关注",  `update_time` int(11) DEFAULT "0" COMMENT "更新时间",  PRIMARY KEY (`id`)) ENGINE=InnoDB AUTO_INCREMENT=352 DEFAULT CHARSET=utf8mb4;

2. 代码

通过查询子查询里指定用户里粉丝最多的前十人(分组排序),然后递归往前查询就形成关注链条,最后再合并查询结果。其实这个也很看数据的,当我真正把这个方法放上去的时候,会发现很多面板里没有用户推荐的数据,因为很多用户根据就没关注几个人。所以通过深度学习或者协同过滤做用户推荐可能要等待一段时间,等用户行为数据产生差不多的时候,我再出一下协同过滤的用户相似度推荐吧。

// 关注链列表    public static function grandadList($userIds = [], &$allList = [], &$level = 1)    {        $field = ["comcemed_user_id, count(*) as fans_count, {$level} as level"];        $list = self::field($field)            ->where("comcemed_user_id", "in", function ($query) use ($userIds) {                $query->table("hhyp_user_attention")                    ->where("user_id", "in", $userIds)                    ->where("status", "=", 1)                    ->field("comcemed_user_id");            })            ->where("status", "=", 1)            ->group("comcemed_user_id")            ->order("fans_count desc")            ->limit(10)            ->select()            ->toArray();        if ($list && $level < 4) {            $level++;            $comcemedUserIds = array_column($list, "comcemed_user_id");            $list = self::grandadList($comcemedUserIds, $list, $level);        }        $list = array_merge($allList, $list);        return $list;    }

关键词: