186 lines
5.5 KiB
Go
186 lines
5.5 KiB
Go
package service
|
||
|
||
import (
|
||
"math"
|
||
"sort"
|
||
"strconv"
|
||
"yitao/ecode"
|
||
"yitao/model"
|
||
"yitao/util"
|
||
)
|
||
|
||
type RecommentService struct{}
|
||
|
||
// 推荐算法模块
|
||
/*********************************************************************************/
|
||
|
||
// 获取用户个人推荐商品
|
||
func (s *RecommentService) GetPersonalHotItems(uid uint) (items []model.ItemModel, e *ecode.Ecode) {
|
||
e = ecode.OK()
|
||
|
||
// 在算法中处理的都是“类型”，而最后返回的是“商品”
|
||
|
||
// 类型总体热度 = 该类商品在过去30天的浏览量*0.5 + 该类商品的总被购买量*0.5
|
||
// 用户喜爱程度 = 用户对该类商品的浏览量*0.4 + 用户对该类商品的购买量*0.6
|
||
// 时间指数：为解决商品冷启动问题：Wtime = 1/(1+e^(-x))
|
||
// x 为 5天 一个单位
|
||
// 类型推荐程度 = (类型总体热度*0.4 + 用户喜爱程度*0.6) * Wtime
|
||
// 将类型推荐程度进行拟合，得到一个商品符合类型多的商品
|
||
// 然后在对所有商品对于所有用户的浏览量进行排序，采用类型拟合优先，类型完全一致的商品采用浏览量排序
|
||
|
||
// 因为用户会一直刷新列表
|
||
// 在前15名中随机选取5个商品，在15-27随机选取4个商品，在27-30中随机选取1个商品
|
||
// 维持三轮，如果用户三轮都不满意，那么判定用户是来找茬的，建议前端直接跳个鬼图
|
||
// 这样做可以也可以保证热门商品可能被重复推荐，让用户狠狠购买！
|
||
|
||
// 该算法运行过程中计算与数据库负荷较大，用户喜爱程度缓存60秒，商品总体热度缓存600秒，单一商品浏览量缓存60秒，Wtime缓存 600 秒
|
||
// @TODO: 采用布隆过滤器，降低推荐过的商品的概率
|
||
// @TODO[IMPORTANT]: 优化 Wtime 算法！！！ IMPORTANT
|
||
|
||
//缓存机制，每次用户的记录都会隔60秒更新
|
||
// userHotTypes := model.RedisRemember(strconv.FormatUint(uint64(uid), 10)+"_hot_types", 60, func() interface{} {
|
||
// return s.LoadUserHotTypes(uid)
|
||
// })
|
||
// allHotTypes := model.RedisRemember("all_hot_types", 600, func() interface{} {
|
||
// return s.LoadAllHotTypes()
|
||
// })
|
||
|
||
userHotTypes := new(map[int]int)
|
||
model.RedisRememberRet(strconv.FormatUint(uint64(uid), 10)+"_hot_types", 60, func() interface{} {
|
||
return s.LoadUserHotTypes(uid)
|
||
}, &userHotTypes)
|
||
allHotTypes := new(map[int]int)
|
||
model.RedisRememberRet("all_hot_types", 600, func() interface{} {
|
||
return s.LoadAllHotTypes()
|
||
}, &allHotTypes)
|
||
|
||
// 整合
|
||
allTypes := make(map[int]int)
|
||
for k, v := range *userHotTypes {
|
||
allTypes[k] += v
|
||
}
|
||
for k, v := range *allHotTypes {
|
||
allTypes[k] += v
|
||
}
|
||
|
||
// 在所有商品中匹配符合类型多的
|
||
// 1. 获取所有商品
|
||
var allItems []model.ItemModel
|
||
var allItemsWtime = make(map[uint]float64)
|
||
model.DB.Find(&allItems)
|
||
|
||
// 冷启动部分：不知道可不可用，反正先用着
|
||
// 计算 Wtime
|
||
// 1/(1+e^(-x))
|
||
model.RedisRememberRet("all_items_wtime", 600, func() interface{} {
|
||
now := util.GetTime()
|
||
for _, v := range allItems {
|
||
allItemsWtime[v.ID] = 1 / (1 + math.Pow(2.7181, -float64((now-v.CreatedAt.Unix())/86400/5)))
|
||
}
|
||
return allItemsWtime
|
||
}, &allItemsWtime)
|
||
|
||
// 2. 计算商品的类型匹配度
|
||
var itemMatch = make(map[uint]int)
|
||
for _, item := range allItems {
|
||
for _, t := range item.Types {
|
||
itemMatch[item.ID] += allTypes[t]
|
||
}
|
||
}
|
||
|
||
for k, v := range itemMatch {
|
||
itemMatch[k] = int(float64(v) * allItemsWtime[k])
|
||
}
|
||
|
||
// 计算冷启动问题
|
||
|
||
// 3. 对商品进行排序
|
||
type kv struct {
|
||
Key uint
|
||
Value int
|
||
}
|
||
|
||
var sortedItems []kv
|
||
for k, v := range itemMatch {
|
||
sortedItems = append(sortedItems, kv{k, v})
|
||
}
|
||
|
||
sort.Slice(sortedItems, func(i, j int) bool {
|
||
return sortedItems[i].Value > sortedItems[j].Value
|
||
})
|
||
|
||
// 4. 根据排序结果获取商品
|
||
for _, kv := range sortedItems {
|
||
var item model.ItemModel
|
||
model.DB.First(&item, kv.Key)
|
||
items = append(items, item)
|
||
}
|
||
|
||
// 5. 随机选取商品
|
||
var result []model.ItemModel
|
||
if len(items) > 30 {
|
||
// 在前15名中随机选取5个商品
|
||
for _, i := range util.RandomSample(0, 15, 5) {
|
||
result = append(result, items[i])
|
||
}
|
||
// 在15-27随机选取4个商品
|
||
for _, i := range util.RandomSample(15, 27, 4) {
|
||
result = append(result, items[i])
|
||
}
|
||
// 在27-30中随机选取1个商品
|
||
for _, i := range util.RandomSample(27, 30, 1) {
|
||
result = append(result, items[i])
|
||
}
|
||
} else {
|
||
result = items
|
||
}
|
||
|
||
return result, e
|
||
}
|
||
|
||
func (s *RecommentService) LoadUserHotTypes(uid uint) map[int]int {
|
||
// 1. 获取用户的历史记录
|
||
var history []model.HistoryModel
|
||
model.DB.Preload("Item").Where("user_id=?", uid).Find(&history)
|
||
// 提取对每种商品的类型
|
||
var allTypes = make(map[int]int)
|
||
for _, h := range history {
|
||
for _, t := range h.Item.Types {
|
||
allTypes[t] += 4
|
||
}
|
||
}
|
||
|
||
// 2. 获取用户的购买记录
|
||
var buyments []model.BuymentModel
|
||
model.DB.Preload("Item").Preload("User").Where("user_id=?", uid).Find(&buyments)
|
||
for _, b := range buyments {
|
||
for _, t := range b.Item.Types {
|
||
allTypes[t] += 6
|
||
}
|
||
}
|
||
return allTypes
|
||
}
|
||
|
||
func (s *RecommentService) LoadAllHotTypes() map[int]int {
|
||
// 获取全部的商品浏览记录
|
||
var history []model.HistoryModel
|
||
model.DB.Preload("Item").Find(&history)
|
||
// 提取对每种商品的类型
|
||
var allTypes = make(map[int]int)
|
||
for _, h := range history {
|
||
for _, t := range h.Item.Types {
|
||
allTypes[t] += 5
|
||
}
|
||
}
|
||
|
||
// 获取全部的商品购买记录
|
||
var buyments []model.BuymentModel
|
||
model.DB.Preload("Item").Preload("User").Find(&buyments)
|
||
for _, b := range buyments {
|
||
for _, t := range b.Item.Types {
|
||
allTypes[t] += 5
|
||
}
|
||
}
|
||
return allTypes
|
||
}
|