支流电商平台有一个很常见的性能：“猜你喜爱”智能举荐，对用户做了精准画像，算法简单，而一般的我的项目中，因为内容规模无限，便用 ElasticSearch 根本能够实现根底需要

在咱们开发的 店熵SAAS平台（shopfai.com）我的项目中应用了本文中的计划，比较稳定，用户体验还不错。

实现思路：

  1. 拜访某个商品时，提取此商品的关键词，写入ES 历史关键词（索引名示例：history_keywords）
  2. 聚合ES 历史关键词 中的所有关键词，提取呈现最多的前几个
  3. 用提取出这几个关键词再次查问商品，作为“猜你喜爱” 举荐后果

几个外围控制点：

  1. ES 历史关键词 须要管制总数量，只保留最近拜访的数据，能够用Redis实现一个循环记数器，计数器的值作为ES记录的ID写入，实现ES数据的循环写入，这个数量取多少适合，跟据具体我的项目调整优化，1000亦可，10000亦可，会间接影响举荐后果
  2. 聚合 ES历史关键词时 ，具体取几个需理论优化调整，咱们我的项目中取了 10 个
  3. 当用户首次拜访时，尚无历史关键词数据，这时候能够取 “热搜词”（热搜词性能需另外实现）

简化流程图：

 

外围的 ES 查问语法：

提取商品名称里的关键词：

POST /_analyze{    "tokenizer" : "ik_smart",    "text": "商品名称ABC"}

因为不同语言封装办法不同，这里只贴了 原生 诘法，分词器中文用了ik_smart，依据具体情况调整

从历史关键词中提取呈现最多的前几个：

POST /history_keywords{    "size":0,    "query":{        "bool":{            "filter":[                {                    "term":{                        "user_id":"123"                    }                }            ]        }    },    "aggs":{        "topN":{            "terms":{                "field":"keyword",                "size":10            }        }    }}

history_keywords 里只有两个字段 用户ID（user_id），关键词（keyword）

最初，用这几个关键词查问商品，代码不贴了。

本文原始网址：https://www.liu12.com/article/es-guess-you-like，转载请保留出处