体育商城PHP推荐系统架构与协同过滤实现

1. 体育商城推荐系统架构设计

在体育用品电商平台中，商品推荐系统是提升用户体验和转化率的核心组件。我们基于PHP生态的ThinkPHP和Laravel框架，实现了两种不同风格的协同过滤推荐方案。整个系统采用典型的三层架构：

• 表现层：Vue.js构建的响应式前端界面，处理用户交互和推荐结果展示
• 业务逻辑层：PHP实现的推荐算法核心，包括用户行为分析、相似度计算和推荐生成
• 数据访问层：MySQL存储用户行为数据和商品信息，Redis缓存相似度矩阵

提示：体育商品具有明显的季节性和运动场景特征，在数据收集阶段需要特别关注用户行为的时间戳和商品属性关联。

2. 协同过滤算法深度解析

2.1 用户行为数据建模

体育商城用户行为数据通常包括：

php复制// 典型用户-商品交互数据结构
$userBehavior = [
    'user_id' => 1001,
    'actions' => [
        [
            'item_id' => 'SP001',  // 商品ID
            'type' => 'view',      // 行为类型：view/purchase/cart
            'score' => 1,          // 隐式评分
            'timestamp' => 1640995200 
        ],
        // 其他行为记录...
    ]
];

行为权重分配建议：

• 购买：5分
• 加入购物车：3分
• 收藏：2分
• 浏览：1分

2.2 相似度计算优化

原始皮尔逊相关系数在体育商品场景下需要加入时间衰减因子：

php复制// 带时间衰减的相似度计算
public function timeWeightedSimilarity($user1, $user2) {
    $commonItems = $this->getCommonItems($user1, $user2);
    $numerator = $denominator1 = $denominator2 = 0;
    
    foreach ($commonItems as $item) {
        $timeDiff = abs($user1->actions[$item]['time'] - $user2->actions[$item]['time']);
        $timeWeight = exp(-0.0005 * $timeDiff); // λ=0.0005
        
        $diff1 = $user1->ratings[$item] - $user1->avgRating;
        $diff2 = $user2->ratings[$item] - $user2->avgRating;
        
        $numerator += $timeWeight * $diff1 * $diff2;
        $denominator1 += $timeWeight * pow($diff1, 2);
        $denominator2 += $timeWeight * pow($diff2, 2);
    }
    
    return $denominator1 * $denominator2 > 0 
           ? $numerator / (sqrt($denominator1) * sqrt($denominator2))
           : 0;
}

3. ThinkPHP实现方案

3.1 数据层设计

php复制// 用户模型定义
class User extends Model
{
    protected $table = 'sports_users';
    
    // 用户行为关联
    public function behaviors()
    {
        return $this->hasMany('Behavior', 'user_id');
    }
    
    // 获取相似用户
    public function similarUsers($limit = 5)
    {
        $similarityService = new SimilarityService();
        return $similarityService->calculateForUser($this->id, $limit);
    }
}

3.2 推荐生成策略

ThinkPHP推荐服务核心逻辑：

php复制class RecommendationService
{
    protected $redis;
    
    public function __construct() {
        $this->redis = new \Redis();
        $this->redis->connect('127.0.0.1', 6379);
    }
    
    public function generateForUser($userId, $size = 10) {
        // 从Redis获取相似用户列表
        $similarUsers = json_decode($this->redis->get("user:similar:$userId"), true);
        
        $recommendations = [];
        foreach ($similarUsers as $similar) {
            $neighborId = $similar['user_id'];
            $similarity = $similar['score'];
            
            // 获取邻居用户的高分商品
            $neighborItems = $this->getTopRatedItems($neighborId);
            
            foreach ($neighborItems as $item) {
                if (!$this->hasInteracted($userId, $item['id'])) {
                    $weightedScore = $similarity * ($item['rating'] - $similar['avg_rating']);
                    $recommendations[$item['id']] += $weightedScore;
                }
            }
        }
        
        arsort($recommendations);
        return array_slice($recommendations, 0, $size, true);
    }
}

4. Laravel实现方案

4.1 队列异步处理

在Laravel中，我们使用队列系统处理耗时的相似度计算：

php复制// 计算任务分发
class SimilarityController extends Controller
{
    public function updateSimilarities()
    {
        $userIds = User::pluck('id');
        foreach ($userIds as $userId) {
            CalculateUserSimilarity::dispatch($userId)
                ->onQueue('recommendation');
        }
    }
}

// 队列任务处理
class CalculateUserSimilarity implements ShouldQueue
{
    use Dispatchable, InteractsWithQueue, Queueable, SerializesModels;
    
    protected $userId;
    
    public function __construct($userId) {
        $this->userId = $userId;
    }
    
    public function handle() {
        $targetUser = User::with('behaviors')->find($this->userId);
        $allUsers = User::where('id', '!=', $this->userId)->get();
        
        $similarities = [];
        foreach ($allUsers as $user) {
            $similarity = $this->calculator->calculate($targetUser, $user);
            $similarities[] = [
                'user_id' => $user->id,
                'score' => $similarity
            ];
        }
        
        usort($similarities, function($a, $b) {
            return $b['score'] <=> $a['score'];
        });
        
        Cache::put("user:similar:{$this->userId}", 
                  json_encode(array_slice($similarities, 0, 50)), 
                  now()->addHours(6));
    }
}

4.2 混合推荐策略

当协同过滤数据不足时，切换到基于内容的推荐：

php复制class HybridRecommender
{
    public function recommend($userId, $size = 10) {
        try {
            // 尝试协同过滤推荐
            $cfRecommendations = $this->cfService->generateForUser($userId, $size);
            
            if (count($cfRecommendations) >= $size) {
                return $cfRecommendations;
            }
            
            // 不足时补充内容推荐
            $contentBased = $this->contentService->recommend($userId, $size - count($cfRecommendations));
            
            return array_merge($cfRecommendations, $contentBased);
        } catch (RecommendationException $e) {
            // 降级到热门商品推荐
            return $this->fallbackService->hotItems($size);
        }
    }
}

5. 性能优化实战

5.1 相似度矩阵缓存

采用Redis存储用户相似度关系：

• 使用有序集合(zset)存储每个用户的相似用户列表
• 设置6小时自动过期，平衡实时性和性能
• 内存优化策略：

php复制// 压缩存储相似度数据
$compressed = gzcompress(json_encode($similarities));
$this->redis->setex("user:similar:$userI