推荐系统 - 商品推荐（新人心得）

起因：

小编近期看了 58沈剑 的架构师之路，在里边，小编看到了一篇关于商城里边的推荐系统的理论文章《从0开始做互联网推荐-以58转转为例》，深有感触，但里边没有详细讲解，所以小编就自己琢磨，最近有点研究成果，所以拿来和大家分享，共同学习，一起进步~

 

商品推荐：

为什么我们需要这个商品推荐呢？淘宝里边的商品成百上千万，但大部分我们是不需要的，只有很少的一部分，才是我们需要的，如果我们不实现商品推荐，我们就不能推送较为适合客户的商品，从而会损失一部分客户资源。所以，我们需要实现商品推荐，来实现客户的买了再买，看了再看的目的。

 

实现商品推荐

1、收集数据

我们要根据每个不同的客户，来推荐适合他们的产品，这时候，我们就需要采集用户的数据，如：商品购买记录，商品收藏记录，商品评价记录等数据（这篇文章我们只以这三个记录为准）。所以我们需要创建以下三个表：

 

• 用户商品购买记录表
• 用户商品收藏记录表
• 用户商品评价记录表

 

问：为什么需要这些表？我们不能直接从商品订单表、用户收藏表、评价表里边分析吗？

答：小编认为这样不好，一是因为后期数据量庞大的时候，读取数据会很慢，不利于我们分析的实时性。二是订单有购买、退款等操作，在数据量大的时候不好识别用户是否退款，不可能每次分析都要去分析全库的，因为有些数据，我们只需要分析一遍就够了，比如购买没退款的。

 

// 用户购买商品记录表
CREATE TABLE `user_purchase` (
  `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键',
  `user_id` int(11) NOT NULL COMMENT '用户ID',
  `gtype_id` int(11) NOT NULL COMMENT '商品类型ID',
  `goods_id` int(11) NOT NULL COMMENT '商品ID',
  `goods_spec_id` int(11) NOT NULL COMMENT '商品规格ID',
  `price` decimal(11,0) NOT NULL COMMENT '购买单价',
  `num` int(11) NOT NULL COMMENT '购买数量',
  PRIMARY KEY (`id`)
) ENGINE=MyISAM DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='用户购买商品记录表';

// 用户商品评价记录表
CREATE TABLE `user_evaluate` (
  `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键',
  `user_id` int(11) NOT NULL COMMENT '用户ID',
  `gtype_id` int(11) NOT NULL COMMENT '商品类型ID',
  `goods_id` int(11) NOT NULL COMMENT '商品ID',
  `goods_spec_id` int(11) NOT NULL COMMENT '商品规格ID',
  `score` tinyint(2) NOT NULL DEFAULT '1' COMMENT '分数，默认1差评，2中评，3好评',
  PRIMARY KEY (`id`)
) ENGINE=MyISAM DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='用户商品评价记录表';

// 用户收藏记录表
CREATE TABLE `user_coll` (
  `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键',
  `user_id` int(11) NOT NULL COMMENT '用户ID',
  `gtype_id` int(11) NOT NULL COMMENT '商品类型ID',
  `goods_id` int(11) NOT NULL COMMENT '商品ID',
  PRIMARY KEY (`id`)
) ENGINE=MyISAM DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='用户收藏记录表';

 

2、分析数据

我们已经得到了用户的这些数据，接下来，我们便要对这些收集到的数据进行分析，统计起来，所以我们需要三个表来保存这些数据。

 

• 商品分值表
• 用户商品类型购买分值表
• 用户消费水平表

 

问：为什么需要用户商品类型购买分值表呢？

答：这是记录用户，根据用户购买某类型下的商品次数，评论数，根据特定的加减算法来得到用户购买的比较多的，比较满意的某类型的商品，然后我们可以推荐一部分这类型的商品给用户。

 

问：为什么需要商品分值表？

答：这个表记录了所有用户购买商品以来，对于商品的满意分值，分值越大，代表商品越受欢迎。

 

问：为什么需要用户消费水平表？

答：我们推荐的商品需要符合用户的消费水平，如果不符合，那我们推送也将毫无意义，这个表主要就是记录每个用户的平均消费水平和消费价格区间。

/* 商品分值表 */
CREATE TABLE `goods_score` (
  `id` int(11) NOT NULL,
  `gtype_id` int(11) NOT NULL COMMENT '商品类型ID',
  `goods_id` int(11) NOT NULL COMMENT '商品ID',
  `score` int(11) NOT NULL COMMENT '分数值'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='商品分值表';

/* 用户商品类型购买分值表 */
CREATE TABLE `user_buy_analysis` (
  `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键',
  `user_id` int(11) NOT NULL COMMENT '用户ID',
  `gtype_id` int(11) NOT NULL COMMENT '商品类型ID',
  `score` int(11) NOT NULL COMMENT '当前分数值（用于排序）',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='用户商品类型购买分值表';

/* 用户消费水平表 */
CREATE TABLE `user_consumption_analysis` (
  `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键',
  `user_id` int(11) NOT NULL COMMENT '用户ID',
  `min_money` decimal(11,2) NOT NULL COMMENT '消费最低金额',
  `average_money` decimal(11,2) NOT NULL COMMENT '平均消费金额',
  `max_money` decimal(11,2) NOT NULL COMMENT '消费最高金额',
  `price_range` varchar(2000) COLLATE utf8mb4_unicode_ci NOT NULL COMMENT '用户消费的价格区间（排序完成）',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='用户消费水平表';

 

接下来我们需要符合我们业务的打分规则：

• 购买 +5
• 退款 -5
• 收藏 +2
• 好评 +5
• 中评 +2
• 差评 -20

有了上面的规则之后，我们就可以对我们采集到的数据，进行一一分析，并对每一个商品、商品类型进行打分了。我们可以根据我们的商品单价（影响我们要不要购买最多的因素就是：单价），对于我们用户消费水平进行分析了。

 

4、示例

我们来看以下的四个场景：

• 场景一：用户A（user_id：234）花了53元购买了一件男衣类型（gtype_id：1）的长袖衣服（goods_id：1），并收藏了，收到衣服之后，A非常满意，于是就给了好评。
• 场景二：A花了65元买了一件女衣类型（gtype_id：2）的长裙（goods_id：2）给了自己女朋友，A的女朋友收到货之后，穿的好看，质量也好，于是A很开心的给了好评。
• 场景三：用户A花了24元买了一件男衣类型的短袖（goods_id：3），但是A收到衣服之后，发觉衣服质量存在问题，客服那边有一直拖延，所以A很愤怒，给了一个差评。
• 场景四：用户B（user_id：235）花了49元也买了一件男衣类型的短袖（goods_id：3），B收到衣服之后，质量很满意，所以B很高兴的给了好评。

 

接下来我们就有了以下的数据了：

/* user_purchase： */
id：1，user_id：234，gtype_id：1，goods_id：1，price：53
id：2，user_id：234，gtype_id：2，goods_id：2，price：65
id：3，user_id：234，gtype_id：1，goods_id：3，price：24
id：4，user_id：235，gtype_id：1，goods_id：3，price：24
 
/* user_coll： */
id：1，user_id：234，gtype_id：1，goods_id：1

/* user_evaluate： */
id：1，user_id：234，gtype_id：1，goods_id：1，score：3
id：2，user_id：234，gtype_id：2，goods_id：2，score：3
id：3，user_id：234，gtype_id：1，goods_id：3，score：1
id：4，user_id：235，gtype_id：1，goods_id：3，score：3

 

有了上面的数据之后，我们就能通过消息队列，对上面的数据进行分析，就得到了如下的分值数据：

/* goods_score（商品分数表）： */
id：1，gtype_id：1，goods_id：1，score：5+2+5 = 12
id：2，gtype_id：2，goods_id：2，score：5+5 = 10
id：2，gtype_id：1，goods_id：3，score：5-20+5 = -10

/* user_buy_analysis（用户商品类型购买分值表）： */
id：1，user_id：234，gtype_id：1，score：5+2+5+5-20 = -3
id：2，user_id：234，gtype_id：2，score：5+5 = 10
id：3，user_id：235，gtype_id：1，score：5+5 = 10

/* user_consumption_analysis（用户消费水平表）： */
id：1，user_id：234，min_money：24，average_money：（24+65+53）/ 3 = 47.33，max_money：65，price_range：{ '50-100': 2，'0-50': 1}
id：2，user_id：235，min_money：24，average_money：24，max_money：24，price_range：{ '0-50': 1}

 

由上面的数据，我们可以分别分析出比较符合用户A和用户B的商品。

/* 符合用户A的商品 */
[
    {
        'goods_id': 1,
        'goods_name': '长袖',
        'gtype_id': 1（男衣）,
        'price': 53
    },
    {
        'goods_id': 3,
        'goods_name': '短袖',
        'gtype_id': 1（男衣）,
        'price': 23
    },
    {
        'goods_id': 2,
        'goods_name': '长裙',
        'gtype_id': 2（女衣）,
        'price': 65
    }
]

 

结语：

1、此文章是小编自己的心得，由于小编是新手，所以此文章有许多不足之处，请见谅。

2、此文章涉及知识较为浅显，具体的设计还需要结合你自己的业务需要来设计。

3、希望此文章能带给大家一些帮助，帮助大家进步。