关于php:关于项目初期数据量小的内容推荐的实现方法

6次阅读

共计 4633 个字符，预计需要花费 12 分钟才能阅读完成。

当下，只有是一个初具规模的内容利用都具备个性化举荐零碎。比方购物类的会有举荐商品模块，搜寻条下有个性化的搜寻关键词或词条补全词，社交类的有博主举荐，视频或文章举荐等等。这些性能除了要有宏大的数据量，还要有健全的数据存储仓库建设计划，以及前面对数据的荡涤，排序，训练后的举荐模型算法。

然而，对于小公司或者说是小我的项目，在想法还未真正落地就设计大数据存储，举荐算法和一系列大型架构的计划，显然是不合乎业务型产品发展的失常法则的。我想那些大厂晚期开发应该也没有这么成熟的技术构造，都是一直迭代或者推倒重来一步步走过去的。

那么，在小我的项目晚期安顿了有对于举荐性能的那要如何解决呢？如何做到下一次迭代在不重构的根底上增加协同过滤举荐？上面就从视频举荐和用户举荐两个性能开展，用 PHP 和 MySQL 进行代码实现。

这里次要通过一个内容热度值进行排序举荐，热度由内容品质和公布时间差决定，时差越长，热度越低，内容品质越高热度越高。而内容品质由视频点赞数，珍藏数和评论数外带权重决定，总体就是单位工夫内点赞，珍藏，评论越高，热度晋升，视频就越往前靠。绝对的就是公布工夫越久，热度就会逐渐升高，视频越往后靠。

另外咱们还要设计两个参数用于手动调节视频的热度，进步就只须要减少内容品质，所以额定加一个数能够说是初始值。升高能够对时间差增加一个指数，也就是时间差的次方，能够了解是重力，也就是随着工夫拉长，重力减少则热度成倍升高。

1.1.”H“：视频热度值

1.2.”W“：视频品质，品质值自定 (点赞数 权重，珍藏数 权重之和，或者点赞率 (点赞量 / 浏览量)，珍藏率(珍藏量 / 浏览量) 之和)等。

1.3.”I“：初始值，能够手动调节热度或者用于前期用户账号的权重。比方零碎曾经有了成长体系，账号发育规定根本欠缺了，用于实时计算账号的权重调配的流量池，权重晋升，则前面公布的视频举荐力度大。

1.4.”T“：时间差，由以后工夫 – 公布工夫产生，加一的起因是避免时间差为 0(分母为零)，不过有审核机制下，这种状况并不存在。

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。不过前期如果增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状况下，对视频违规或不良体现或长期状况进行减小举荐。默认值最好是 1，这种状况就是在等同品质下新公布的越往前。

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 '珍藏数',
  `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. 举荐  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 '审核工夫',
  `remark` text,
  `create_time` int(11) DEFAULT '0' COMMENT '创立工夫',
  `delete_time` int(11) DEFAULT '0',
  `update_time` int(11) DEFAULT '0',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=107 DEFAULT CHARSET=utf8mb4;

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 / 珍藏 / 评论越多热度越高，公布越久热度越低
        $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;
    }

举荐用户，大部分是放在 App 里的集体核心感兴趣用户模块。有的是给用户举荐受权的通讯录好友，有的是依据行为数据，通过给用户打标签，再举荐与本人标签类似的用户等等形式。而我这里的用户举荐是放在公布视频的用户面板里，原本我想通过协同过滤的类似用户来做，因为数据太无限，加之咱们业务自身就不能查看用户关注列表和粉丝列表，所以就临时用了一个折中的办法，给用户举荐创作者关注的关注。

依据以后面板用户关注的用户里挑出粉丝数最多的前十个，而后再从这十个里别离挑出他们关注用户里粉丝最多的前十，最初合并去重，也就是给本人举荐关上用户关注的关注里粉丝最多的那批人。

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 '创立工夫',
  `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 '更新工夫',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=352 DEFAULT CHARSET=utf8mb4;

通过查问子查问里指定用户里粉丝最多的前十人(分组排序)，而后递归往前查问就造成关注链条，最初再合并查问后果。其实这个也很看数据的，当我真正把这个办法放上去的时候，会发现很多面板里没有用户举荐的数据，因为很多用户依据就没关注几个人。所以通过深度学习或者协同过滤做用户举荐可能要期待一段时间，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类似度举荐吧。

// 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;
    }

正文完