推荐算法 - 初步分析（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算法，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~

什么是推荐算法：

小编觉得，这个算法就是让用户进入商城的时候，能推荐出用户心仪的商品给用户，增加用户的购买率，如一些商城首页里边的猜你喜欢模块，用户购买成功之后的一些推荐商品等等。为什么我们需要推荐这些呢？因为身为客户的我们都知道，以下原因的商品，我们是不会去考虑的：

1、超出自己经济范围

2、不是自己喜欢的

所以，如果出现的是这些用户不需要的商品信息，会浪费用户的时间，甚至与丧失一批用户，所以，我们就需要推荐算法，推出用户比较有意向的商品，增加用户的购买率。

如何实现推荐算法呢？

1、我们需要实现推荐算法，那我们就需要去分析用户的行为，这里我建立了三张表，来收集用户的行为：

// 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、有了上面的三个表之后，我们还需要两个表来保存我们的分析记录：

// 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=MyISAM 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',
  `money` decimal(11,2) NOT NULL COMMENT '消费总金额',
  `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=MyISAM DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='用户消费水平表';

现在，我们已经拥有了两个统计表，来统计用户商品购买分值（user_buy_analysis）表，用户消费水平表（user_consumption_analysis）

3、接下来，我们需要做的事情就是如何给用户购买的商品类型打分，还有，我们需要如何记录用户的消费水平：

3.1、给用户购买的商品类型打分：

需要给商品类型打分，我们就需要有一个加减分算法，这里我举个示例：收藏+2，购买+5，好评+10，中评+2，差评-20，看到这里有人会问为什么购买+好评都比不上差评的分数，小编觉得这样可以防止商户的刷单行为，差评可以让商铺保证商品的发货、售后等服务质量。这些都是根据个人的业务需求来设计。

3.2、记录用户的消费水平：

我们根据用户每次的消费记录，来计算用户的消费水平，这里边，我们需要注意的是：平均消费水平、消费价格区间两个字段。

平均消费水平：是每次购买商品单价的平均数，因为我们购买一件商品，我们根据单价来决定是否购买，是比较多的。

价格消费区间：则是根据最高消费，和最低消费，生成一定间隔的区间，如：0-50,50-100,100-150，我们需要对我们这些区间进行统计，我们采用的格式：{健值：数量}，并倒序排序，最后的格式为：

1 {
2 
3 　　'100-150': 10,
4 
5 　　'0-50': 5,
6 
7 　　'50-100': 3
8 
9 }

由步骤3，我们便可以得到用户购买商品类型的打分和用户的平均消费水平，和前三名的消费区间。这样我们就可以根据这些条件，对于商品进行筛选，得出的是比较符合客户心意的商品数据了。

// 示例：

/* 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又花了24元买了一件男衣类型的短袖（goods_id：2），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。

场景三：A花了65元买了一件女衣类型（gtype_id：2）的长裙（goods_id：3）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。*/

// 根据上面的三个场景，于是我们就有了以下的数据：

user_purchase：

id：1，user_id：234，gtype_id：1，goods_id：1，price：53

id：2，user_id：234，gtype_id：1，goods_id：2，price：24

id：3，user_id：234，gtype_id：2，goods_id：3，price：65

 
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：1，goods_id：2，score：1

id：3，user_id：234，gtype_id：1，goods_id：3，score：3

 
// 根据上面的数据，我们可以分析出以下的数据

 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+10+5-20 = 2

id：2，user_id：234，gtype_id：2，score：5+10 = 15


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}

由上面的分析数据，我们就可以取到用户最高分值的商品类型和用户最常的消费区间、平均消费水平，然后根据这些条件进行筛选商品，就是比较符合用户意向的商品数据了。

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、此文章是初步文章，涉及知识还不深，真正的推荐算法，还需要加上商品规格，并需要对商品进行打分等因素。

3、希望此文章能带给大家一些帮助，帮助大家进步。