SpringBoot vue 根据用户收藏表（有字段用户id、房间名）用协同过滤算法，给用户个性化推荐，不要用缓存

<think>好的，用户想要在SpringBoot和Vue项目中，基于用户收藏表（包含用户ID和房间名字段）实现协同过滤的个性化推荐，而且不要用缓存。我需要仔细分析这个需求，并给出可行的解决方案。 首先，用户提到的协同过滤算法，通常有两种：基于用户的和基于物品的。由于数据是用户收藏的房间，可能物品（房间）的数量相对用户来说较少，或者用户收藏的数据稀疏，可能需要考虑哪种方法更合适。不过这里用户没有具体说明，可能需要先确定使用哪种协同过滤。假设这里采用基于用户的协同过滤，因为用户收藏可能直接反映用户偏好。 接下来，数据准备方面，用户收藏表有用户ID和房间名，但需要将其转换为用户-物品的评分矩阵。因为收藏是隐式反馈，可以将每个用户对房间的收藏视为1分，未收藏的为0。这样构建一个二维矩阵，用户为行，房间为列，值表示是否收藏。 然后，计算用户之间的相似度。常用的方法有余弦相似度或皮尔逊相关系数。不过因为数据是0和1，余弦相似度可能更合适。例如，用户A和用户B共同收藏的房间越多，他们的相似度越高。 但是，用户量大的时候，计算所有用户之间的相似度会非常耗时，特别是没有缓存的情况下。每次请求都重新计算可能性能不够。可能需要优化，比如预先计算相似度矩阵，但用户要求不用缓存，所以可能需要每次实时计算，但这样可能不现实。或者限制计算的范围，比如只计算最近活跃的用户，但用户没说有活跃数据。这里可能需要进一步思考如何处理。 或者，采用基于物品的协同过滤。计算房间之间的相似度，然后根据用户收藏的房间推荐相似的房间。因为房间数量可能相对较少，计算物品相似度可能更高效。例如，房间A和房间B被很多用户同时收藏，那么它们相似度高。当用户收藏了房间A，就推荐相似度高的房间B、C等。 这样步骤可能是： 1. 从数据库获取所有用户收藏记录，构建物品-用户的矩阵，每个房间被哪些用户收藏。 2. 计算房间之间的相似度，比如使用余弦相似度。例如，对于房间i和j，计算它们的共同被收藏用户数，除以各自总收藏用户数的平方根的乘积。 3. 对于目标用户，找出他们收藏过的所有房间，然后找到与这些房间最相似的、用户还未收藏的房间，进行推荐。 这样实现可能更高效，因为物品数量可能比用户少，且相似度计算可以预先处理，但用户要求不用缓存，所以可能需要每次请求时实时计算？或者每次启动时计算一次？但这样对于实时更新可能有问题。 不过用户明确不要用缓存，所以可能需要每次请求时都实时计算物品相似度，但这在数据量大时会导致性能问题。比如，如果有1万个房间，计算相似度矩阵的时间复杂度是O(n²)，可能会很慢。 或者，在用户请求推荐时，仅针对该用户已收藏的房间，实时计算这些房间与其他房间的相似度，然后聚合结果。例如，用户收藏了房间A、B，那么计算房间A与其他房间的相似度，房间B与其他房间的相似度，然后合并，去重，排序，取Top N。 这种方法可能可行，因为每个用户收藏的房间数量有限，假设每个用户收藏了10个房间，那么每次计算需要10次相似度计算，每次计算该房间与其他所有房间的相似度。但如果有N个房间，每次计算需要O(N)时间，10次就是O(10N)，可能还是不够高效。 所以，这里可能需要权衡。如果数据量不大，可以接受实时计算；如果数据量大，可能需要优化，但用户不用缓存，所以可能需要其他方式，比如分批处理或者使用数据库的聚合查询。 或者，可以考虑使用基于用户的协同过滤，但同样面临计算用户相似度的开销问题。例如，用户A有N个用户需要比较，每个比较需要计算相似度，时间复杂度高。 可能用户的数据量较小，所以可以接受实时计算。那具体步骤如何？ 假设采用基于物品的协同过滤： 步骤一：获取所有用户收藏数据，生成物品-用户矩阵。 步骤二：对于目标用户，获取其收藏的房间列表。 步骤三：对于每个收藏的房间，找到与之最相似的其他房间（未收藏的）。 步骤四：汇总这些房间，按相似度排序，推荐Top K。 但如何计算物品相似度？ 例如，计算房间i和房间j的相似度可以用余弦相似度： similarity(i,j) = (number of users who collected both i and j) / sqrt( (number of users collected i) * (number of users collected j) ) 这需要统计每个房间的被收藏数，以及每对房间的共同被收藏数。 这可能需要大量的数据库查询，或者预先计算并存储这些统计值，但用户不允许用缓存，所以可能需要每次实时计算这些统计值？ 这显然不现实，尤其是当数据量大时。比如，要计算两个房间的共同被收藏数，每次都要执行SQL查询： SELECT COUNT(*) FROM user_favorites WHERE room_name IN (i, j) GROUP BY user_id HAVING COUNT(DISTINCT room_name) = 2; 这样的查询对于每个房间对来说，执行时间会很长，尤其是当房间数量多时。 所以，这里可能需要优化。用户要求不用缓存，但可能允许使用数据库的物化视图或者预存统计表？或者每次启动应用时计算一次，并存储在内存中？但用户可能认为这也是缓存，所以是否允许？ 或者，用户只是不想用Redis等外部缓存，但允许应用内暂存数据？这需要进一步明确，但用户可能希望每次请求都实时从数据库计算，这样可能不可行。 或者，用户的数据量非常小，可以每次请求时都实时计算，例如用户数很少，房间数很少，那么可行。但如果是真实的应用场景，可能不太现实。 这可能意味着用户的需求存在矛盾，需要找到折中方案。例如，即使用户不允许用缓存，可能需要定期（比如每天）预计算物品相似度矩阵，并存储在数据库中，这样每次推荐时直接查询数据库中的相似度表，而不是实时计算。这样是否算缓存？用户可能认为存储到数据库是可以的，因为不算内存缓存。所以可能需要询问用户是否允许这样做，但根据问题描述，用户没有提到，可能需要假设可以。 但根据当前问题，用户明确说“不要用缓存”，可能指的是不依赖内存缓存如Redis，但允许使用数据库存储中间结果。或者，用户希望每次推荐都实时计算，而不存储任何中间数据。这可能需要明确，但假设用户希望实时计算，那么需要寻找高效的方法。 可能这时候，基于物品的协同过滤在实现上更可行，但必须找到高效计算相似度的方法。 另一种思路，使用数据库的聚合查询来快速计算共同收藏数。例如，对于每个房间i，可以预先统计每个房间j的共同收藏用户数，并存储在数据库中。但如何维护这张表？ 例如，当用户收藏或取消收藏时，更新共同收藏数。这可能增加写操作的复杂度，但对于读操作来说，可以快速查询。 但这可能增加系统的复杂度，尤其是当房间数量多时，维护共同收藏数的表会变得非常庞大，因为如果有N个房间，共同收藏数的表会有N²行，这在N=1万时是1亿行，不可行。 所以这可能不现实。 那么回到问题，用户可能需要一个简化的实现，适用于小规模数据，而不考虑性能问题。例如，教学或小项目中的实现。 那么具体步骤： 1. 数据准备：查询所有用户收藏记录，构建用户-房间的矩阵，其中每个元素表示用户是否收藏了该房间。 2. 计算物品相似度：对于每个房间，计算它与其他房间的相似度，使用余弦相似度或杰卡德相似度。例如，杰卡德相似度为共同收藏用户数除以两个房间被收藏用户数的并集。 3. 对于目标用户，获取其收藏的房间列表，然后为每个收藏的房间找到最相似的Top N房间，合并这些房间，去除用户已经收藏的，然后按相似度排序，取Top K作为推荐。 具体实现： 在SpringBoot中，当处理推荐请求时： a. 查询所有用户收藏记录，转换为一个Map<用户ID, Set<房间名>>，以及另一个Map<房间名, Set<用户ID>>。 这可能数据量大时会占用内存，但小数据量可以接受。 b. 对于目标用户，获取其收藏的房间集合。 c. 对于每个收藏的房间，计算该房间与其他所有房间的相似度。 d. 聚合所有相似房间，过滤已收藏的，按总相似度排序。 例如，对于每个候选房间，其总相似度是该房间与用户每个已收藏房间的相似度之和。 然后取总相似度最高的房间作为推荐。 但是，这样的计算在每次请求时都会遍历所有房间和用户的收藏，可能导致性能问题。如果用户收藏了M个房间，总共有N个房间，那么计算复杂度是O(M*N)。如果N是1万，M是10，那么每次请求需要10万次计算，可能较慢。 为了优化，可以考虑在数据库层面进行部分计算。例如，使用SQL查询找出与用户收藏房间共同收藏最多的其他房间。 例如，假设用户收藏了房间A、B、C，那么推荐那些被其他同时收藏A/B/C的用户收藏最多的房间，但排除用户已收藏的。 这类似于基于用户的协同过滤，但通过数据库查询实现。 具体来说，可以执行以下步骤： 1. 找出目标用户收藏的所有房间（例如房间A、B、C）。 2. 找出所有收藏了至少一个这些房间的其他用户。 3. 统计这些用户收藏的其他房间（排除用户已收藏的），按被收藏次数排序，取Top N。 这种方法更简单，可能更容易用SQL实现，而且不需要复杂的相似度计算。 例如，在SQL中： 假设表结构是user_favorites(user_id, room_name)。 步骤一：获取目标用户已收藏的房间列表： SELECT room_name FROM user_favorites WHERE user_id = ?; 假设结果为A, B, C。 步骤二：找出所有收藏了A、B或C的其他用户： SELECT DISTINCT user_id FROM user_favorites WHERE room_name IN (A,B,C) AND user_id != ?; 步骤三：找出这些用户收藏的房间，排除用户已收藏的，按出现次数排序： SELECT f.room_name, COUNT(*) as cnt FROM user_favorites f WHERE f.user_id IN (上述步骤二的用户列表) AND f.room_name NOT IN (A,B,C) GROUP BY f.room_name ORDER BY cnt DESC LIMIT 10; 这种方法实际上是基于用户的协同过滤的简化版，寻找与目标用户有相似收藏行为的其他用户，然后聚合他们收藏的房间作为推荐。这种方法不需要计算相似度矩阵，而是通过统计频次来实现，可能更高效，尤其是在数据库层面利用索引和优化查询。 这可能是一个更实际的解决方案，尤其是当不允许使用缓存时，因为查询可以通过数据库优化，而不需要应用层进行复杂的计算。 因此，最终的实现步骤可能如下： 在SpringBoot后端： 1. 根据当前用户的ID，查询其收藏的房间列表。 2. 查询所有收藏过这些房间的其他用户的ID。 3. 查询这些用户收藏的其他房间（排除当前用户已收藏的），按收藏次数降序排列，取Top N作为推荐。 这种方法避免了复杂的相似度计算，利用数据库的聚合功能，可能更高效，尤其是当数据库有适当的索引（例如在user_id和room_name上建立索引）时。 对于Vue前端，只需调用后端提供的推荐接口，展示推荐列表即可。 可能的代码示例： UserFavoriteRepository中定义查询方法： @Query("SELECT DISTINCT f.userId FROM UserFavorite f WHERE f.roomName IN :roomNames AND f.userId != :userId") List<Long> findUserIdsByFavoriteRooms(@Param("roomNames") List<String> roomNames, @Param("userId") Long userId); @Query("SELECT f.roomName, COUNT(f) as cnt FROM UserFavorite f WHERE f.userId IN :userIds AND f.roomName NOT IN :excludedRooms GROUP BY f.roomName ORDER BY cnt DESC LIMIT :limit") List<Object[]> findRecommendedRooms(@Param("userIds") List<Long> userIds, @Param("excludedRooms") List<String> excludedRooms, @Param("limit") int limit); 然后在Service层： public List<String> recommendRooms(Long userId) { List<String> userRooms = userFavoriteRepository.findByUserId(userId); if (userRooms.isEmpty()) { return Collections.emptyList(); // 或者返回热门推荐 } List<Long> similarUserIds = userFavoriteRepository.findUserIdsByFavoriteRooms(userRooms, userId); if (similarUserIds.isEmpty()) { return Collections.emptyList(); } List<Object[]> results = userFavoriteRepository.findRecommendedRooms(similarUserIds, userRooms, 10); return results.stream().map(o -> (String) o[0]).collect(Collectors.toList()); } 这只是一个简化的示例，实际可能需要处理分页、性能优化等。例如，当similarUserIds过多时，可能导致IN查询效率低下，这时候可以分批次查询或限制用户数量。 此外，如果用户没有收藏任何房间，可能需要退回热门推荐或其他策略。 总结，用户的需求可以通过基于用户的协同过滤的简化版实现，利用数据库查询来统计相似用户的收藏行为，从而生成推荐，避免复杂的计算和缓存使用。这种方法在数据量不大时是可行的，且实现相对简单。</think>为了实现基于协同过滤的个性化推荐系统（SpringBoot + Vue），不使用缓存的情况下，可按照以下步骤实现： --- ### **一、数据结构准备** **表结构示例**（user_favorites表）： ```sql CREATE TABLE user_favorites ( user_id BIGINT, room_name VARCHAR(255), PRIMARY KEY (user_id, room_name) ); ``` --- ### **二、推荐逻辑设计** #### **步骤 1：获取目标用户收藏列表** ```java // SpringBoot JPA 查询 @Query("SELECT roomName FROM UserFavorite WHERE userId = :userId") List<String> findUserFavoriteRooms(@Param("userId") Long userId); ``` #### **步骤 2：查找相似用户** ```sql -- 查询收藏过目标用户房间的其他用户 SELECT DISTINCT user_id FROM user_favorites WHERE room_name IN (:userRooms) AND user_id != :userId; ``` #### **步骤 3：统计相似用户的未收藏房间** ```sql -- 按收藏次数降序推荐 SELECT room_name, COUNT(*) AS cnt FROM user_favorites WHERE user_id IN (:similarUserIds) AND room_name NOT IN (:userRooms) GROUP BY room_name ORDER BY cnt DESC LIMIT 10; ``` --- ### **三、SpringBoot 核心代码** #### **1. Repository 层** ```java public interface UserFavoriteRepository extends JpaRepository<UserFavorite, Long> { // 查询用户收藏的房间 @Query("SELECT f.roomName FROM UserFavorite f WHERE f.userId = :userId") List<String> findFavoriteRoomsByUserId(@Param("userId") Long userId); // 查询相似用户ID @Query("SELECT DISTINCT f.userId FROM UserFavorite f WHERE f.roomName IN :roomNames AND f.userId != :userId") List<Long> findSimilarUserIds(@Param("roomNames") List<String> roomNames, @Param("userId") Long userId); // 统计推荐房间 @Query(value = """ SELECT f.room_name AS roomName, COUNT(*) AS cnt FROM user_favorites f WHERE f.user_id IN :userIds AND f.room_name NOT IN :excludedRooms GROUP BY f.room_name ORDER BY cnt DESC LIMIT :limit""", nativeQuery = true) List<Object[]> findRecommendedRooms(@Param("userIds") List<Long> userIds, @Param("excludedRooms") List<String> excludedRooms, @Param("limit") int limit); } ``` #### **2. Service 层** ```java @Service @RequiredArgsConstructor public class RecommendationService { private final UserFavoriteRepository userFavoriteRepository; public List<String> recommendRooms(Long userId) { // 1. 获取用户收藏的房间 List<String> userRooms = userFavoriteRepository.findFavoriteRoomsByUserId(userId); if (userRooms.isEmpty()) return getFallbackRecommendations(); // 2. 查找相似用户 List<Long> similarUserIds = userFavoriteRepository.findSimilarUserIds(userRooms, userId); if (similarUserIds.isEmpty()) return getFallbackRecommendations(); // 3. 统计推荐结果 List<Object[]> results = userFavoriteRepository.findRecommendedRooms(similarUserIds, userRooms, 10); return results.stream() .map(row -> (String) row[0]) .collect(Collectors.toList()); } // 备用推荐（如热门房间） private List<String> getFallbackRecommendations() { return List.of("热门房间A", "热门房间B"); } } ``` --- ### **四、Vue 前端调用** ```javascript // 调用推荐接口 axios.get('/api/recommend', { params: { userId: 123 } }) .then(response => { this.recommendedRooms = response.data; }); ``` --- ### **五、优化与注意事项** 1. **索引优化**： - 为 `user_id` 和 `room_name` 字段添加索引，加速查询。 ```sql CREATE INDEX idx_user ON user_favorites (user_id); CREATE INDEX idx_room ON user_favorites (room_name); ``` 2. **分页查询**： - 若数据量较大，限制相似用户数量（如最多1000人）或分批次处理。 3. **冷启动问题**： - 新用户或无收藏用户，推荐热门房间（通过 `COUNT(room_name) GROUP BY room_name` 实现）。 --- ### **六、方案优缺点** - **优点**： - 完全依赖数据库，无需缓存或复杂算法。 - 实现简单，适合中小规模数据。 - **缺点**： - 数据量大时查询性能下降，需分库分表或改用分布式计算（如Spark）。 - 实时性要求高时，需结合增量计算优化。