Verwenden Sie den Komponisten, um das Dilemma von Empfehlungssystemen zu lösen: Andres-Montanez/Empfehlungen-Bundle

Auf der Suche nach einer Lösung fand ich das Symfony2 Plugin Andres-Montanez/Empfehlungen-Bundle, das mein Projekt erhebliche Verbesserungen brachte. Dieses Plugin basiert auf MongoDB und implementiert eine itembasierte Empfehlungsmotor, die Pearson Distanz verwendet, um ähnliche Elemente anzupassen. Zu den Kernfunktionen gehören:

• registerItem : Sie können den Elementtyp angeben (z. B.: Film), Label (z. B. Plot, Aktion) und Namespace.
• Benutzerinteraktion aufzeichnen ( addAction ) : Sie können das Verhalten von Benutzern aufzeichnen, beispielsweise haben Benutzer "Jon" 5 Punkte für den Film "Batman" erzielt.
• getRecommendations : Geben Sie Empfehlungen für bestimmte Benutzer an, und die Ergebnisse können nach Typ, Tags und Namespaces gefiltert werden.

Das Verwenden von Composer zum Installieren dieses Plugins ist sehr einfach:

 <code>composer require andres-montanez/recommendations-bundle</code>

Nach der Installation müssen Sie dieses Plugin im Symfony -Projekt aktivieren und die MongoDB -Datenbank konfigurieren. Definieren Sie als nächstes einen zeitgesteuerten Job, um die Ähnlichkeit von Elementen regelmäßig zu aktualisieren. Die Häufigkeit dieser Zeitaufgabe kann gemäß Ihren Datenvolumen und Aktualisierungsanforderungen festgelegt werden. In der Regel ist sie einmal pro Woche ein guter Ausgangspunkt.

Um die Leistung weiter zu optimieren, habe ich auch einen Service -Wrapper erstellt, um diesen empfohlenen Service einzuwickeln. Dies ermöglicht es mir, nach bestimmten Anforderungen anzupassen und einen mehrstufigen Cache hinzuzufügen. Bei großen Datensätzen ändern sich beispielsweise die Empfehlungsergebnisse der Benutzer langsam, sodass die Empfehlungsergebnisse der Benutzer 24-48 Stunden zwischengespeichert werden können, wodurch die Reaktionsgeschwindigkeit des Systems erheblich verbessert werden kann.

In praktischen Anwendungen funktioniert dieses Empfehlungssystem sehr gut. Die verwendeten Dataset -Testergebnisse zeigen, dass für den Datensatz mit 100.000 Bewertungen, 943 Benutzer und 1.682 Elemente die Ähnlichkeitsgenerierung nur etwa 4 Minuten dauert und die Benutzerempfehlung in weniger als 2 Sekunden erhalten wird. Für größere Datensätze (1 Million Bewertungen, 6040 Benutzer und 3883 Elemente) beträgt die Ähnlichkeitsgenerierungszeit etwa 90 Minuten, aber die Erlangung von Benutzerempfehlungen ist in 2 Sekunden immer noch abgeschlossen. Diese Datensätze sind unter https://www.php.cn/link/117007d714adf33db6d2653d903EBF2d verfügbar.

Insgesamt löste Andres-Montanez/Empfehlungen, die über Komponisten installiert und in das Projekt integriert wurden, nicht nur mein Empfehlungssystem-Dilemma, sondern auch erhebliche Leistungsverbesserungen und Verbesserungen der Benutzerzufriedenheit. Die Flexibilität und Effizienz dieses Plugins macht es ideal für den Aufbau personalisierter Empfehlungssysteme.

Das obige ist der detaillierte Inhalt vonVerwenden Sie den Komponisten, um das Dilemma von Empfehlungssystemen zu lösen: Andres-Montanez/Empfehlungen-Bundle. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!