推薦系統打散算法--權重

繼上一篇輪詢打散算法后，本文主要介紹推薦的另一種打散算法，權重打散算法，該算法適用較多維度打散的一種算法，主要的思路大體為，約定按照一類對象的某幾個屬性，針對特定的某一個屬性，對不同的值對應不同的權重，求當前對象計權屬性下值對應的權重和，然后降序輸出對象。如：對於推薦商品自營商品和非自營商品權重可能不同，價格區間高的和價格區間低的商品權重可能不同，品牌不同，權重可能也不一樣。本文主要闡述推薦權重打散的大體邏輯及實現。

 

比如有如下7個商品

 

具體計分規則

　　店鋪維度（共計三種AA，BB，CC）對應的權重分別為2，1，3.5

　　　　AA：2

　　　　BB：1

　　　　CC：3.5 

===============

　　品牌維度（11，22，33）對應的權值分別為1，0，-2

　　　　11：1

　　　　22：0

　　　　33：-2

根據以上計分規則計算后商品得分如下：

 

根據權重得分降序排序后商品序列如下：

 

 該種打散算法相對來說實現思路比較簡單。

新建商品實體Goods 新建父類商品權重實體BaseGoods(權重屬性統一維護在該實體中)

父類BaseGoods

    //店鋪標識
    public String shopCode;
    //品牌標識
    public String brandCode;
    //排序權重
    public Double weight = 0d;

子類Goods

    public Goods(String shopCode, String brandCode) {
        this.shopCode = shopCode;
        this.brandCode = brandCode;
    }
    
    //商品編碼
    private String goodsCode;
    //商品名稱
    private String goodsName;
    //品牌名稱
    private String brandName;
    //四級商品組編碼
    private String groupCode;

初始化商品

    public static List<Goods> initGoodsList() {
        
        List<Goods> goodsList = new ArrayList<Goods>();
        Goods goods1 = new Goods("BB", "11"); //2
        Goods goods2 = new Goods("AA", "33"); //0
        Goods goods3 = new Goods("AA", "11"); //3
        Goods goods4 = new Goods("CC", "33"); //1.5
        Goods goods6 = new Goods("BB", "33"); //-1
        Goods goods7 = new Goods("BB", "22"); //1
        Goods goods8 = new Goods("CC", "11"); //4.5
        
        goodsList.add(goods1);
        goodsList.add(goods2);
        goodsList.add(goods3);
        goodsList.add(goods4);
        goodsList.add(goods6);
        goodsList.add(goods7);
        goodsList.add(goods8);
        
        return goodsList;
    }

權重配置信息獲取

    public static Map<String,Map<String,Double>> getPropertyWeight(){
        
        Map<String,Map<String,Double>> map = new HashMap<String,Map<String,Double>>();
        //店鋪類型(店鋪提權)
        Map<String,Double> shopCodeMap = new HashMap<String, Double>();
        shopCodeMap.put("AA", 2d);
        shopCodeMap.put("BB", 1d);
        shopCodeMap.put("CC", 3.5d);
        
        //品牌類型(品牌提權)
        Map<String,Double> brandCodeMap = new HashMap<String, Double>();
        brandCodeMap.put("11", 1d);
        brandCodeMap.put("22", 0d);
        brandCodeMap.put("33", -2d);
        
        //返回總配置信息
        map.put("shopCode", shopCodeMap);
        map.put("brandCode", brandCodeMap);
        
        return map;
    }

計權方法

    public void countWeight(List<? extends BaseGoods> goodsList) throws IllegalArgumentException, IllegalAccessException {
        if(null == goodsList  || goodsList.size() == 0) //CollectionUtil可替代
            return;
        //獲取權重配置信息
        Map<String,Map<String,Double>> weightMap = getPropertyWeight();
        Field[] fields = goodsList.get(0).getClass().getFields();//獲取對象屬性
        for(int i=0; i<goodsList.size(); i++) {
            if(goodsList.get(i) instanceof BaseGoods) {
                //計算單個商品的權重 目前僅按照shopCode和priceLevel排序 統一在父類BaseGoods維護權重屬性
                BaseGoods goods = (BaseGoods) goodsList.get(i);
                Double totalWeight = 0d;
                for(Field f : fields) {
                    f.setAccessible(true);//允許訪問私有變量
                    if(weightMap.containsKey(f.getName())) {
                        Double weight = weightMap.get(f.getName()).get(f.get(goods));
                        totalWeight += weight;
                    }
                }
                ((BaseGoods) goodsList.get(i)).setWeight(totalWeight);
            }
        }
    }

調用輸出最終結果信息

    public static void main(String[] args) {
        List<Goods> goodsList = initGoodsList();
        WeightShuttle weightShuttle = new WeightShuttle();
        try {
            weightShuttle.countWeight(goodsList);
        } catch (IllegalArgumentException e) {
            e.printStackTrace();
        } catch (IllegalAccessException e) {
            e.printStackTrace();
        }
        //排序
        goodsList.sort(Comparator.comparing(Goods::getWeight).reversed());
        //打印
        goodsList.forEach(o->System.out.println(o));
    }

控制台打印結果如下

 該種方法人工干預意願比較明顯，但是依舊存在干預不均勻，從而導致商品扎堆的情況。