前言
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。
视频举荐
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. 公式
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。
2. 表构造
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;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/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 $list; }用户举荐
举荐用户，大部分是放在App里的集体核心感兴趣用户模块。有的是给用户举荐受权的通讯录好友，有的是依据行为数据，通过给用户打标签，再举荐与本人标签类似的用户等等形式。而我这里的用户举荐是放在公布视频的用户面板里，原本我想通过协同过滤的类似用户来做，因为数据太无限，加之咱们业务自身就不能查看用户关注列表和粉丝列表，所以就临时用了一个折中的办法，给用户举荐创作者关注的关注。
依据以后面板用户关注的用户里挑出粉丝数最多的前十个，而后再从这十个里别离挑出他们关注用户里粉丝最多的前十，最初合并去重，也就是给本人举荐关上用户关注的关注里粉丝最多的那批人。
1. 表构造
CREATE TABLE `hhyp_user_attention` ( `id` int(11) NOT NULL AUTO_INCREMENT, `user_id` int(11) NOT NULL DEFAULT '0' COMMENT '用户id', `comcemed_user_id` int(11) NOT NULL DEFAULT '0' COMMENT '关注的用户id', `create_time` int(11) DEFAULT '0' COMMENT '创立工夫', `status` smallint(3) NOT NULL DEFAULT '0' COMMENT '关注状态 0未关注 1已关注', `update_time` int(11) DEFAULT '0' COMMENT '更新工夫', PRIMARY KEY (`id`)) ENGINE=InnoDB AUTO_INCREMENT=352 DEFAULT CHARSET=utf8mb4;2. 代码
通过查问子查问里指定用户里粉丝最多的前十人(分组排序)，而后递归往前查问就造成关注链条，最初再合并查问后果。其实这个也很看数据的，当我真正把这个办法放上去的时候，会发现很多面板里没有用户举荐的数据，因为很多用户依据就没关注几个人。所以通过深度学习或者协同过滤做用户举荐可能要期待一段时间，等用户行为数据产生差不多的时候，我再出一下协同过滤的用户类似度举荐吧。
// 关注链列表 public static function grandadList($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; }