使用搜索引擎定製推薦系統

推薦系統在現代網站中常常用到，不一樣類型的運營須要不一樣的推薦策略，而且推薦策略須要簡單易懂，能方便運維人員人工調整。本文以全文搜索引擎爲例子講解如何定製爲一個推薦系統。

###基本原理 推薦系統的基本原理是先把相關的產品項分析出來，如

"male age18  1000 1010 1020 ..."

這裏的"1000 1010 1020"是產品的ID。當有一個18歲男性用戶關注了"1000 1020"這兩個產品，就以條件

"male age18 1000 1020"

進行搜索，取得包括這所有條件的文本，而後把"1010"這個產品推薦給用戶。

###實時推薦 有些有熱度的關聯產品只有幾天的時間，過了後關聯性就迅速減弱，這時須要實時推薦。實時推薦的原理是把每一個用戶當天（或者最近幾天）花長時間瀏覽的產品記錄下來，當新用戶也在看類似的產品時，把前面幾個看相同產品的用戶的關注推薦給新用戶

####代碼實現 這些功能可使用一個全文搜索引擎實現，以FTServer使用的引擎爲例，當用戶關注一個產品時，把產品做爲文本內容，把用戶做爲文本ID，生成搜索索引dailyEngine.indexText()，這個索引至關於一個複合主鍵(產品-用戶)，每關注一個新產品，調用一次FavorWhenStay10Sec()，這個函數除了有包括生成搜索索引的代碼indexText()，還有一個iBoxDB數據庫的**insert()**操做，用於記錄用戶的關注

private static void FavorWhenStay10Sec(Engine dailyEngine, AutoBox autoDaily, long userId, long itemId) {
     try (Box box = autoDaily.cube()) {
         box.d("/Favor").insert(new Favor(userId, itemId));
         dailyEngine.indexText(box, userId, Long.toString(itemId));
         box.commit();
     }
}

當有新用戶關注了"1055 1058"兩個產品時，以這兩個產品爲全文搜索關鍵字進行搜索

RealTimeRecommendPrint(engine, autoDaily, new long[]{1055, 1058});

經過dailyEngine.searchDistinct()查找方法，能夠取得關注相同產品的用戶(生成索引時設置的文本ID爲用戶ID)

for (KeyWord kw
     : dailyEngine.searchDistinct(box, sb.toString(), startId, HowManyUsersAsReference)) {
   long userId = kw.getID();
   ....
}

而後把有相同愛好用戶的關注推薦給新用戶

for (Favor favor : box.select(Favor.class, "from /Favor where userId == ?", userId)) {
        System.out.print(favor.itemId + ",");
}

這裏的HowManyUsersAsReference設置返回的用戶個數，由於作實時推薦，不少時候不須要取所有相同愛好的用戶。

###深度推薦 當有了大量用戶關注數據後，就不須要以個別用戶組織數據，能夠定製各類算法分析產品的關聯，也能夠人工分析產品關聯，而後回到第一節關於基本原理的實現，具體實現代碼與直接調用全文搜索引擎同樣，把多個關聯產品的ID組成一個文本，而後輸入全文索引，推薦時當匹配到其中的產品ID，就把文本中關聯的其它產品ID做爲推薦的內容。

源代碼下載

更多：全文搜索中精準匹配與分詞匹配的比較