TP5 实现基于标签简单的推荐算法

1、算法思想

1.1、理解算法过程

• 我们在写算法的时候要先理解我们的对象和之间的关系，我这里举例供求信息和用户设置标签，两者关系是，系统会根据用户设置的标签来匹配与其相似度较高的，同时用户发布的供求信息的标签也会影响系统推荐的供求信息，这里还需要涉及到权重问题。

（1）我们应该采用什么计算方式来计算，我这里采用简单 交集 / 并集 计算相似度的计算方法。

（2）还需要考虑以下三大方面的影响因素 ：

• 个人标签设置（A：时间衰减度，B：相似度计算）
• 发布供求标签（C：时间衰减度，D：相似度计算，E：商机类型占比）
• 其他因素（F：供求发布时间衰减度，G：移除自己发布的供求，H：企业认证/个人认证/VIP特权/权重等）

（3）以下是相关计算：

• A/C/F：时间衰减度 = 更新时间戳 / 当前时间 * β（β为一个设置的稳定参数，根据数据分析去设置）
• B/D：相似度计算如下：另外还有其他的 相似度计算方法

假设 A = 某条供求与用户标签的相似度
假设 B = 某条供求与用户发布供求的标签相似度
假设 C = 某条供求标签与用户标签交集总数
假设 D = 某条供求标签与用户标签并集总数
假设 X = 某条供求标签与用户发布供求的标签交集总数
假设 Y = 某条供求标签与用户发布供求的标签并集总数

公式1：某条供求的相似度 = A * 占比 + B * 占比
公式2：A = C / D * 出现概率（默认是1，因为用户无重复标签）
公式3：B = X / Y * 出现概率

• E：用户发布商机类型占比是根据自己业务需求去加的，不是必须项。

假设A = 用户发布的出售类型商机数量
假设B = 用户发布的求购类型商机数量

用户发布出售类型商机占比 C = A / ( A + B )
用户发布求购类型商机占比 D = B / ( A + B )
那么用户需求则正好相反，推荐的出售商机占比为 D，推荐的求购商机占比为 C。
另外如果用户未发不过商机和求购则按照 1:1
如果用户发布的全是求购则推给他的 出售：求购 = 9 : 1（这里的9:1自行设置）

• G：将个人发布的供求 排除 在推荐列表中，供求数据采用 缓存存储 ，
• H：这里的其他参数也是需要平衡后才能加入进行相似度计算的。

（4）采用 自定义分页 筛选后再进行 数据库查询 。

1.2、实操分步解析

1、将数据库供求列表存储到 Redis 中，可以用 hash 存储，如下图：

• 保存的时候注意这里的域key是 对应供求的ID ，值则是 供求的数据 ，里面的field最好是用到的才存进去，不然数据量大的话取出来的速度也会降低，影响首页内容输出速率。

我们要注意的是每次 发布一条供求 或者 审核通过 时候将该条 保存到redis 中，这样就不用全部导入了

2、需要分 游客 和 用户 两种登录情况的推荐。正常情况下，游客就按照数据库的排序就行了。

3、需要将 自己发布的供求 移除 推荐列表

4、封装统一的 计算相似度的方法，这样便于用，同时要考虑 用户未设置标签或未发布一条供求的情况

5、封装对应的 分页方法，我在下面也会提供我封装的方法。

2、代码实现

2.1、获取推荐列表的方法（我是封装成服务类方法）

/**
 * 推荐算法返回商机
 * @p