前言

郑重声明：本博文做法仅限毕设糊弄老师使用，不建议生产环境使用！！！
老项目缝缝补补又是三年，本来是打算直接重写写个社区然后给毕设使用的。但是怎么说呢，毕竟毕设的主角不是xx社区，这个社区是为我的编译器服务的，为了推广这个编译器，然后我才做了这个社区。然而不幸的是，开题答辩的时候，各位“专家”叫我以xx社区为主，听起来高级。于是没有办法，我只能强行做个社区，怎么做呢，照着以前写的社区抄，换个主题呗。但是重新写的成本太高了（一开始我是嫌弃白洞这个项目的部署成本比较高，因为里面确实集成了很多模块，有AI模块有传统微服务模块，当然开源的版本是没有这些东西的，毕竟还是要留点底裤的），但是重写实在难受，找了一圈想要找个开源的，结果都没有找到满意的，没办法，只能把白洞项目拿出来，然后做减法，加一个推荐系统。

推荐系统本来也是打算直接基于Java重写手写一个的，直接写个基于协同滤波的传统推荐算法。但是感谢开源，发现了个牛逼的框架mahout。这不就齐活了，我们直接糊弄糊弄毕设过去了就行了。借用某位大哥的话：你要搞清楚你的目的是什么，没有效益的事情少干。于是鄙人放弃了手写推荐系统，放弃了对netty重新封装。咱们有技术积累，但是没有能够产生实际效益的项目，所以不干，糊弄老师得了。

环境准备

这里的话，因为是糊弄毕设，所以我们是直接冷启动。用的是ItemCF，直接推荐博客。然后呢从100个用户里面数据里面推荐就行了，然后结果缓存起来，一天一推。多了没有，反正我用了这个玩意儿，现场查代码也没事，况且数据量根本就不够。

<!--        mahout推荐系统--><dependency><groupId>org.apache.mahout</groupId><artifactId>mahout-mr</artifactId><version>0.12.2</version></dependency>

导入依赖先。

创建记录表：

CREATE TABLE `user_article_operation` (`id` BIGINT(20) NOT NULL AUTO_INCREMENT,`create_time` DATETIME NOT NULL COMMENT '操作时间，我们默认抓取比较新的数据来进行统计',`userid` BIGINT(20) NULL DEFAULT NULL,`article_id` BIGINT(20) NULL DEFAULT NULL,`operation` INT(11) NULL DEFAULT NULL COMMENT '0-点赞，1-收藏，2-fork（不同的类型，不同的评分）',PRIMARY KEY (`id`) USING BTREE,INDEX `key` (`userid`, `article_id`, `operation`) USING BTREE
)
COMMENT='用户对文章的操作表'
COLLATE='utf8_unicode_ci'
ENGINE=InnoDB
;

这里的话，我使用的是mybatis-plus创建对应的dao和mapper（这里会使用到比较复杂的sql，得手写）

@Data
@TableName("user_article_operation")
public class BlogRe {@TableId(value = "id",type = IdType.AUTO)private Long id;private Long userid;private Long articleId;private Integer operation;private Date createTime;@TableField(exist = false)private Integer value;}

对应的xml文件是：

<?xml version="1.0" encoding="UTF-8" ?>
<!DOCTYPE mapperPUBLIC "-//mybatis.org//DTD Mapper 3.0//EN""http://mybatis.org/dtd/mybatis-3-mapper.dtd"><mapper namespace="com.huterox.whitehole.whiteholeblog.dao.BlogReDao"><!--sql--><select id="getAllUserPreference" resultType="com.huterox.whitehole.whiteholeblog.entity.surface.blogRe.BlogRe">SELECTuserid,article_id,SUM(CASE operation_typeWHEN 0 THEN 2WHEN 1 THEN 3WHEN 2 THEN 5else 0 END) AS "value"FROMuser_article_operationGROUP BY user_id,article_idlimit 100</select></mapper>

调用

基本的环境准备好了，我们就得调用了。
这里的我的逻辑是，当用户登录了有数据，那么我就直接推荐，如果没有那就继续走默认，也就是按照热度进行推荐。
在我的项目里面最终是定位到了这里：

具体的推荐逻辑是这里：

所以我们在这里重点关注这里的实现就可以：

@Service
public class BlogReServiceImpl implements BlogReService {@AutowiredBlogReDao blogReDao;@AutowiredBlogReUserIdDao blogReUserIdDao;@Overridepublic List<Long> recommend(String userId) throws TasteException {//注意这里我们限制了100个，我们从100个数据里面去拿到，然后做推荐List<BlogRe> userList = blogReDao.getAllUserPreference();//创建数据模型DataModel dataModel = this.createDataModel(userList);//获取用户相似程度UserSimilarity similarity = new UncenteredCosineSimilarity(dataModel);//获取用户邻居UserNeighborhood userNeighborhood = new NearestNUserNeighborhood(2, similarity, dataModel);//构建推荐器Recommender recommender = new GenericUserBasedRecommender(dataModel, userNeighborhood, similarity);//推荐2个BlogReUserId userMap = blogReUserIdDao.selectOne(new QueryWrapper<BlogReUserId>().eq("userid", userId));List<RecommendedItem> recommendedItems = recommender.recommend(userMap.getId(), 2);List<Long> itemIds = recommendedItems.stream().map(RecommendedItem::getItemID).collect(Collectors.toList());return itemIds;}private DataModel createDataModel(List<BlogRe> userArticleOperations) {FastByIDMap<PreferenceArray> fastByIdMap = new FastByIDMap<>();Map<Long, List<BlogRe>> map = userArticleOperations.stream().collect(Collectors.groupingBy(BlogRe::getUserid));Collection<List<BlogRe>> list = map.values();for (List<BlogRe> userPreferences : list) {GenericPreference[] array = new GenericPreference[userPreferences.size()];for (int i = 0; i < userPreferences.size(); i++) {BlogRe userPreference = userPreferences.get(i);GenericPreference item = new GenericPreference(userPreference.getUserid(), userPreference.getArticleId(), userPreference.getValue());array[i] = item;}fastByIdMap.put(array[0].getUserID(), new GenericUserPreferenceArray(Arrays.asList(array)));}return new GenericDataModel(fastByIdMap);}}

这里写得很清楚了，当然具体的算法原理也不难，可以去翻翻我往期的博文。有Python手撸的版本。加上几个数据源设配器也能直接用了。核心算法原理很简单，不会就问GPT，只要数学没啥问题就懂，不懂，那就直接调用API也挺好。

这里注意的是：
这里要求用户ID是Long类型。

所以如果你和我的项目一样用户ID用的不是雪花这种算法，而是UUID，那么你得搞个中间的转换表。我这里没辙，所以只能强行加一个转换表：

当然我们这里还得记录操作。

        //记录一下操作BlogReUserId userMap = blogReUserIdDao.selectOne(new QueryWrapper<BlogReUserId>().eq("userid", userid));if(userMap==null){BlogReUserId blogReUserId = new BlogReUserId();blogReUserId.setUserid(userid);blogReUserIdDao.insert(blogReUserId);}BlogRe blogRe = new BlogRe();assert userMap != null;blogRe.setUserid(userMap.getId());blogRe.setArticleId(blogid);blogRe.setCreateTime(new Date());blogRe.setOperation(0);blogReDao.insert(blogRe);

这里看实际情况，反正我这就先这样操作了。

混合

之后的话就是做混合了
在我这里是直接这样了：

    @Overridepublic PageUtils queryPageWithRem(Map<String, Object> params) throws Exception {//这里是携带推荐系统的PageUtils pageUtils = this.queryPage(params);if(params.get("rem").equals("1")){//触发满足使用推荐系统条件使用推荐系统if (params.get("userid")!=null){List<Long> blogIds = blogReService.recommend((String) params.get("userid"));List<BlogEntity> blogEntityList = this.list(new QueryWrapper<BlogEntity>().in("blogid", blogIds));//这个是按照热度推荐的List<BlogEntity> list = (List<BlogEntity>) pageUtils.getList();//将两者混合list.addAll(blogEntityList);pageUtils.setPageSize(list.size());pageUtils.setTotalCount(list.size());}}return pageUtils;}

数据不够的话可能推荐的数据是空的，所以得混合。之后缓存的话，是我直接在这个项目当中使用了SpringCache。当然最近搞项目的时候，我自己直接基于SpringAop写了个缓存注解实现，项目要求比较灵活，直接手写一个快。

总结

新年快乐~