500行SQL快速实现UCF

写在前面话

UCF通常是快速User-base Collaborative Filter的简写;大体的算法思路是根据用户行为计算相似群体(邻居)，为用户推荐其邻居喜好的实现内容；感觉是不是很简单、那废话不多说先撸个SQL。快速

SQL

select uid1,实现uid2,sim from (     select uid1         ,uid2         ,cnt12 / sqrt(cnt1*cnt2) sim         ,row_number() over(partition by uid1 order by cnt12 / sqrt(cnt1*cnt2) desc) sim_rn     from (         select a.uid uid1             ,b.uid uid2             ,count(a.iid) cnt12          from tb_behavior a         join tb_behavior b         on a.iid = b.iid         where a.uid <> b.uid         group by a.uid,b.uid     ) a12     join (select uid,count(iid) cnt1 from tb_behavior group by uid) a1     on a12.uid1 = a1.uid     join (select uid,count(iid) cnt2 from tb_behavior group by uid) a2     on a12.uid1 = a2.uid ) tb_neighbour where sim > 0.1 and sim_rn <= 30 

读者实现的话只需要把上面的tb_behavior表替换成自己业务的用户行为即可；iid,uid分别对应物品id和用户id;

根据共现相似度，即共同喜好的快速物品个数比上各自喜好物品总数乘积取平方；最后截断用户最相似的前30个邻居作为推荐的依据。

上面构造了邻居表，实现下面就是快速根据邻居的喜好为用户推荐了，具体sql如下：

select uid1,实现iid from (     select uid1         ,iid         ,max(sim) score         ,row_number() over(partition by uid1 order by max(sim) desc) user_rn     from tb_neighbour a12     join (select uid,iid from tb_behavior) a2     on a12.uid2 = a2.uid     join (select uid,collect_set(iid) iids1 from tb_behavior group by uid) a1     on a12.uid1 = a1.uid     where not array_contaions(iids1,a2.iid)     group by uid1,iid ) tb_rec where user_rn <= 500 

这里说明下包括上面的top30邻居和用户top500的最大推荐列表都是工程优化,截断节约些存储；具体读者可以根据自己业务需要进行设置；

然后大概说下各个表的含义：a1表是用户已消费过的物品，a2表是快速用户每个邻居喜好的物品;那么也就是说从邻居喜好的物品中过滤掉已经消费的云南idc服务商

物品整体根据共现相似度进行排序。

思考

但思路很简单、实现实际作者开发中总会遇到各种各样的快速问题，下面就捡几个主要的实现和大家一起讨论下：

1.join引起的数据倾斜问题：tb_neighbour表很大，往往热点物品会占据80%的快速曝光和消费记录，如何解决？实现 2.增量更新问题：上面的框架，tb_behavior表每次都是快速全量计算，是否能改造成增量更新邻居表和推荐结果，并减少计算时间呢？

join引起的数据倾斜问题

先思考问题1，既然我们目的是求相似邻居，物品join只是为了关联上一组用户对，那自然的想法是可以根据feed做近似采样、相似度精度也几乎无损失。

下面我试着实现下这种思路：

with tb_behavior_sample as (     select uid,iid      from (         select uid             ,iid             ,row_number() over(partition by iid order by rand()) feed_rn         from tb_behavior     ) bh     where feed_rn <= 50000 )  select uid1,uid2,sim from (     select uid1         ,uid2         ,cnt12 / sqrt(cnt1*cnt2) sim         ,row_number() over(partition by uid1 order by cnt12 / sqrt(cnt1*cnt2) desc) sim_rn     from (         select a.uid uid1             ,b.uid uid2             ,count(a.iid) cnt12          from tb_behavior_sample a         join tb_behavior_sample b         on a.iid = b.iid         where a.uid <> b.uid         group by a.uid,b.uid     ) a12     join (select uid,count(iid) cnt1 from tb_behavior group by uid) a1     on a12.uid1 = a1.uid     join (select uid,count(iid) cnt2 from tb_behavior group by uid) a2     on a12.uid1 = a2.uid ) tb_neighbour where sim > 0.1 and sim_rn <= 30 

这里用了hive的with as语法，读者可自行查阅，篇幅有限，就不展开了；feed_rn就是随机采样了50000条，实际操作时读者可以先统计下item的企商汇分布、大概找到一个阈值；

比如取top10的item的出现次数作为阈值；那计算相似度时分子最多减小10，分母不变。这对大多数情况精度应该足够了，而且因为避免了数据倾斜，大大降低了计算时间。

增量更新问题

问题2是一个工程问题，lambda架构能使初始结果效果不错，可直接上线灰度了；在此基础上再加小时或者天增量；kappa架构相对就比较繁琐、需要一开始就设计增量流程。

精度方面也需要一定的累积；不过如何选择，读者可以根据自己的数据量和熟悉程度自行选择；作者这里仅以kappa架构说明。

重新review上面sql，我们发现我们仅需要记录下cnt12,cnt1,cnt2,iids1这些计算关键即可，其中iids2是用户邻居喜好的物品数组；数值类型可累加更新、

数组类型合并起来比较麻烦，一种解决方案是注册UDF；这里采取另一种这种的方案：把iids1合并成字符串，过滤的时候再分割为字符串数组。

with tb_behavior_sample_incr as (     select uid,iid      from (         select uid             ,iid             ,row_number() over(partition by iid order by rand()) feed_rn         from tb_behavior_incr     ) bh     where feed_rn <= 50000 )  insert overwrite table tb_neighbour select uid1,uid2,sim from (     select uid1         ,uid2         ,sum(cnt12) / sqrt(sum(cnt1)*sum(cnt2)) sim         ,row_number() over(partition by uid1 order by sum(cnt12) / sqrt(sum(cnt1)*sum(cnt2)) desc) sim_rn     from (         select uid1,uid2,cnt12,cnt1,cnt2         from tb_neighbour         union all         select a.uid uid1             ,b.uid uid2             ,count(a.iid) cnt12              ,cnt1             ,cnt2         from tb_behavior_sample_incr a         join tb_behavior_sample_incr b         on a.iid = b.iid         where a.uid <> b.uid         group by a.uid,b.uid      ) a12     join (select uid,count(iid) cnt1 from tb_behavior_incr group by uid) a1     on a12.uid1 = a1.uid     join (select uid,count(iid) cnt2 from tb_behavior_incr group by uid) a2     on a12.uid1 = a2.uid     group by uid1,uid2 ) tb_neighbour where sim > 0.1 and sim_rn <= 30 

其中tb_behavior_sample_incr,tb_behavior_incr是相应tb_behavior_sample,tb_behavior的增量表；使用union all和group by聚合相同用户对的结果

kappa架构初次计算即是增量，香港云服务器不断累积每次增量的结果更新tb_neighbour；相当于lambda初始全量计算的一种回放，直至追到最新的时间分区。

insert overwrite table tb_user_consume select uid,substring_index(concat_ws(",",collect_list(iids1)),",",10000) iids1  from (     select uid,concat_ws(",",collect_set(cast(iid as string))) iids1     from tb_behavior_incr     union all     select uid,iids1     from tb_user_consume ) a group by uid select uid1,iid from (     select uid1         ,iid         ,max(sim) score         ,row_number() over(partition by uid1 order by max(sim) desc) user_rn     from tb_neighbour a12     join (select uid,cast(iid as string) iid from tb_behavior_incr) a2     on a12.uid2 = a2.uid     join (select uid,split(iids1,",") iids1 from tb_user_consume) a1     on a12.uid1 = a1.uid     where not array_contaions(iids1,a2.iid)     group by uid1,iid ) tb_rec where user_rn <= 500 

使用tb_user_consume缓存用户最近消费的前10000条记录，将用户邻居最新喜好物品推荐给用户。

写在后面的话

呼！终于写完了；虽然说有了上面这一套操作，UCF推荐基本完成；但有没有更好的方式呢？我想应该就是embedding大法了吧；比如item2vec对用户聚类，根据聚类

推荐；再或者根据好友关系，推荐好友喜好的物品。前者表征更细致，值得一说的是其也有负采样策略和checkpoint增量更新；后者好友信任度更高，解释性更强。