算法选择

如何能做到相似内容的推荐呢，碍于小网站还跑在虚拟主机上（对的，连一个自己完整可控的服务器都没有），所以可以想的办法不多，条件限制在只能用php+mysql。所以我想到的办法就是通过Tags来匹配相似文章进行推荐。如果两篇文章的TAGS 比较相似

比如：文章A 的TAGS为： [A,B,C,D,E]
文章B 的 TAGS 为：[A,D,E,F,G]
文章C 的 TAGS 为：[C,H,I,J,K]

通过眼睛我们能很方便的发现，文章B和文章A更为相似，因为它们有三个关键字相同分别为：[A,D,E]，哪如何用计算机来判断它们的相似度呢，这里我们用jaccard相似度的最基本应用来计算它们的相似度

jaccard相似度

给定两个集合A,B，Jaccard 系数定义为A与B交集的大小与A与B并集的大小的比值，定义如下：

基于Tags实现内容推荐的方法（代码）

文章A和文章B的交集为 [A,D,E],大小为3，并集为[A,B,C,D,E,F,G],大小为7，3/7=0.4285…
而文章A和文章C交集为 [C],大小为1，并集为[A,B,C,D,E,H,I,J,K],大小为9， 1/9=0.11111…

这样就可以得出文章A，B比文章A，C更为相似，有了这个算法，计算机就可以来判断两篇文章的相似度了。

具体的推荐思想

给定一篇文章，获取该文章的关键字TAGS,然后通过以上算法去数据库比对所有文章的相似度，获取最相似的N篇文章进行推荐。

实现过程

第一 TAGS的获取

文章的TAGS是通过TF-IDF算法，提取文章中的高频词，选取N个作为TAGS，对于中文的文章来说还涉及到一个中文分词的问题，因为是虚拟主机的关系，这步的工作我用python（为什么用Python ,jieba分词，真香）在本地写了一个程序，完成所有文章的分词，词频统计，生成TAGS，并写回服务器的数据库。由于本文是写推荐的算法，所以分词和建立TAGS的部分就不具体展开了，而且不同的系统有不同的TAGS建立方式。

第二 TAGS的存储

建立两张表，用于存储TAGS
tags，用于存所有tag的名称

+-------+------------+------+-----+---------+-------+ | Field | Type       | Null | Key | Default | Extra | +-------+------------+------+-----+---------+-------+ | tag   | text       | YES  |     | NULL    |       | | count | bigint(20) | YES  |     | NULL    |       | | tagid | int(11)    | NO   | PRI | 0       |       | +-------+------------+------+-----+---------+-------+

tag_map 建立tag和文章的映身关系。

+-----------+------------+------+-----+---------+-------+ | Field     | Type       | Null | Key | Default | Extra | +-----------+------------+------+-----+---------+-------+ | id        | bigint(20) | NO   | PRI | 0       |       | | articleid | bigint(20) | YES  |     | NULL    |       | | tagid     | int(11)    | YES  |     | NULL    |       | +-----------+------------+------+-----+---------+-------+

tag_map存的数据类似如下：

+----+-----------+-------+ | id | articleid | tagid | +----+-----------+-------+ |  1 |       776 |   589 | |  2 |       776 |   471 | |  3 |       776 |  1455 | |  4 |       776 |  1287 | |  5 |       776 |    52 | |  6 |       777 |  1386 | |  7 |       777 |   588 | |  8 |       777 |   109 | |  9 |       777 |   603 | | 10 |       777 |  1299 | +----+-----------+-------+

其实做相似推荐的时候，只需要用到tag_map表就可以了，因为tagid和tag name 是一一对应的。

具体编码

1.获取所有文章对应的TAGID

mysql> select articleid, GROUP_CONCAT(tagid) as tags from tag_map GROUP BY articleid; +-----------+--------------------------+ | articleid | tags                     | +-----------+--------------------------+ |        12 | 1178,1067,49,693,1227    | |        13 | 196,2004,2071,927,131    | |        14 | 1945,713,1711,2024,49    | |        15 | 35,119,9,1,1180          | |        16 | 1182,1924,2200,181,1938  | |        17 | 46,492,414,424,620       | |        18 | 415,499,153,567,674      | |        19 | 1602,805,691,1613,194    | |        20 | 2070,1994,886,575,1149   | |        21 | 1953,1961,1534,2038,1393 | +-----------+--------------------------+

通过以上SQL,可以一次性查询所用文章，极其对应的所有tag
在PHP，我们可以把tags变成数组。

public function getAllGroupByArticleId(){         //缓存查询数据，因为这个是全表数据，而且不更新文章不会变化，便是每次推荐都要从数据库里获取一次数据，对性能肯定会有影响，所以做个缓存。         if($cache = CacheHelper::getCache()){             return $cache;         }         $query_result = $this->query('select articleid, GROUP_CONCAT(tagid) as tags from tag_map GROUP BY articleid');          $result = [];         foreach($query_result as $key => $value){             //用articleid 做key ,值是该id下的所有tagID数组。             $result[$value['articleid']] = explode(",",$value['tags']);         }          CacheHelper::setCache($result, 86400);          return $result;      }

有了这个的返回结果，就比较好办了，接下去的工作就是去应用jaccard相似度这个算法了，具体就看代码吧。

/**      * [更据指定文章返回相似的文章推荐]      * @param  $articleid 指定的文章ID      * @param  $top       要返回的推荐条数      * @return Array      推荐条目数组      */ function getArticleRecommend($articleid, $top = 5){         if($cache = CacheHelper::getCache()){             return $cache;         }         try{             $articleid = intval($articleid);             $m = new TagMapModel();             $all_tags = $m->getAllGroupByArticleId();//调用上面的函数返回所有文章的tags             $finded = $all_tags[$articleid];//因为上面是包含所有文章了，所以肯定包含了当前文章。              unset($all_tags[$articleid]);//把当前文章从数组中删除，不然自己和自己肯定是相似度最高了。              $jaccard_arr = []; //用于存相似度             foreach ($all_tags as $key => $value) {                 $intersect =array_intersect($finded, $value); //计算交集                 $union = array_unique(array_merge($finded, $value)); //计算并集                  $jaccard_arr[$key] = (float)(count($intersect) / count($union));             }              arsort($jaccard_arr); //按相似度排序，最相似的排最前面              $jaccard_keys = array_keys($jaccard_arr);//由于数组的key就是文章id,所以这里把key取出来就可以了             array_splice($jaccard_keys, $top);//获取前N条推荐              //到这里我们就已经得到了，最相似N篇文章的ID了，接下去的工作就是通过这几个ID,从数据库里把相关信息，查询出来就可以了                  $articleModels = new ApiModelArticleModel();             $recommendArticles = $articleModels->getRecommendByTag($jaccard_keys);             CacheHelper::setCache($recommendArticles, 604800); //缓存7天             return $recommendArticles;         } catch (Exception $e) {             throw new Exception("获取推荐文章错误");         }     }