当下，只要是一个初具规模的内容应用都具备个性化推荐系统。比如购物类的会有推荐商品模块，搜索条下有个性化的搜索关键词或词条补全词，社交类的有博主推荐，视频或文章推荐等等。这些功能除了要有庞大的数据量，还要有健全的数据存储仓库建设方案，以及后面对数据的清洗，排序，训练后的推荐模型算法。
但是，对于小公司或者说是小项目，在想法还未真正落地就设计大数据存储，推荐算法和一系列大型架构的方案，显然是不符合业务型产品开展的正常规律的。我想那些大厂早期开发应该也没有这么成熟的技术结构，都是不断迭代或者推倒重来一步步走过来的。
那么，在小项目早期安排了有关于推荐功能的那要如何解决呢？ 如何做到下一次迭代在不重构的基础上添加协同过滤推荐？ 下面就从视频推荐和用户推荐两个功能展开，用PHP和MySQL进行代码实现。
这里主要通过一个内容热度值进行排序推荐，热度由内容质量和发布时间差决定，时差越长，热度越低，内容质量越高热度越高。而内容质量由视频点赞数，收藏数和评论数外带权重决定，总体就是单位时间内点赞，收藏，评论越高，热度提升，视频就越往前靠。相对的就是发布时间越久，热度就会逐步降低，视频越往后靠。
另外我们还要设计两个参数用于手动调节视频的热度，提高就只需要增加内容质量，所以额外加一个数可以说是初始值。降低可以对时间差添加一个指数，也就是时间差的次方，可以理解是重力，也就是随着时间拉长，重力增加则热度成倍降低。
1.1. ”H“：视频热度值
1.2. ”W“：视频质量，质量值自定(点赞数权重，收藏数权重之和，或者点赞率(点赞量/阅读量)，收藏率(收藏量/阅读量)之和)等。
1.3. ”I“：初始值，可以手动调节热度或者用于后期用户账号的权重。比如系统已经有了成长体系，账号发育规则基本完善了，用于实时计算账号的权重分配的流量池，权重提升，则后面发布的视频推荐力度大。
1.4. ”T“：时间差，由当前时间 - 发布时间产生，加一的原因是防止时间差为0(分母为零)，不过有审核机制下，这种情况并不存在。
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。不过后期如果添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情况下，对视频违规或不良表现或临时情况进行减小推荐。默认值最好是1，这种情况就是在同等质量下新发布的越往前。
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(null,0) DEFAULT '0' COMMENT '纬度', `lng` decimal(null,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 '收藏数', `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. 推荐 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 '审核时间', `remark` text, `create_time` int(11) DEFAULT '0' COMMENT '创建时间', `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/收藏/评论越多热度越高，发布越久热度越低
$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 $list;
}推荐用户，大部分是放在App里的个人中心感兴趣用户模块。有的是给用户推荐授权的通讯录好友，有的是根据行为数据，通过给用户打标签，再推荐与自己标签相似的用户等等方式。而我这里的用户推荐是放在发布视频的用户面板里，本来我想通过协同过滤的相似用户来做，由于数据太有限，加之我们业务本身就不能查看用户关注列表和粉丝列表，所以就暂时用了一个折中的方法，给用户推荐创作者关注的关注。
根据当前面板用户关注的用户里挑出粉丝数最多的前十个，然后再从这十个里分别挑出他们关注用户里粉丝最多的前十，最后合并去重，也就是给自己推荐打开用户关注的关注里粉丝最多的那批人。
CREATE TABLE `hhyp_user_attention` ( `id` int(11) NOT NULL AUTO_INCREMENT, `user_id` int(11) NOT NULL DEFAULT '0' COMMENT '用户id', `comcemed_user_id` int(11) NOT NULL DEFAULT '0' COMMENT '关注的用户id', `create_time` int(11) DEFAULT '0' COMMENT '创建时间', `status` smallint(3) NOT NULL DEFAULT '0' COMMENT '关注状态 0未关注 1已关注', `update_time` int(11) DEFAULT '0' COMMENT '更新时间', PRIMARY KEY (`id`) ) ENGINE=InnoDB AUTO_INCREMENT=352 DEFAULT CHARSET=utf8mb4;
通过查询子查询里指定用户里粉丝最多的前十人(分组排序)，然后递归往前查询就形成关注链条，最后再合并查询结果。其实这个也很看数据的，当我真正把这个方法放上去的时候，会发现很多面板里没有用户推荐的数据，因为很多用户根据就没关注几个人。
所以通过深度学习或者协同过滤做用户推荐可能要等待一段时间，等用户行为数据产生差不多的时候，我再出一下协同过滤的用户相似度推荐吧。
// 关注链列表
public static function grandadList($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;
}以上就是使用PHP MySQL实现数据量小的内容推荐方法的详细内容，更多关于PHP MySQL内容推荐的资料请关注插件窝其它相关文章！