medical-mall/doc_mall/consumer/backup_doc_full/SMART_RECOMMENDATION.md

智能推荐系统文档

一、系统概述

智能推荐系统基于用户行为数据，为用户提供个性化的商品推荐。系统综合分析用户的搜索历史、浏览历史，结合全站热销商品数据，生成智能推荐列表。

二、推荐逻辑架构

┌─────────────────────────────────────────────────────────────┐
│                    智能推荐系统                              │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐         │
│  │ 用户搜索历史 │  │ 用户浏览历史 │  │ 全站热销商品 │         │
│  │   (权重高)   │  │   (权重中)   │  │   (权重低)   │         │
│  └──────┬──────┘  └──────┬──────┘  └──────┬──────┘         │
│         │                │                │                 │
│         ▼                ▼                ▼                 │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐         │
│  │ 关键词匹配  │  │ 分类匹配    │  │ 销量排序    │         │
│  │ 相关商品    │  │ 相似商品    │  │ 热门商品    │         │
│  └──────┬──────┘  └──────┬──────┘  └──────┬──────┘         │
│         │                │                │                 │
│         └────────────────┼────────────────┘                 │
│                          ▼                                  │
│              ┌─────────────────────┐                       │
│              │   去重 & 合并结果   │                       │
│              └──────────┬──────────┘                       │
│                         ▼                                  │
│              ┌─────────────────────┐                       │
│              │   返回推荐商品列表   │                       │
│              └─────────────────────┘                       │
│                                                             │
└─────────────────────────────────────────────────────────────┘

三、权重分配策略

3.1 数据源权重

数据源	权重	说明
用户搜索历史	50%	用户主动搜索的关键词最能反映购买意向
用户浏览历史	30%	用户浏览过的商品分类反映兴趣偏好
热销商品	20%	全站热销商品作为兜底和补充

3.2 推荐优先级

优先级 1: 用户搜索历史匹配的商品（最多占推荐列表的50%）
优先级 2: 用户浏览过的分类下的商品（最多占推荐列表的30%）
优先级 3: 全站热销商品（填充剩余位置）

四、核心算法详解

4.1 智能推荐主流程

async getSmartRecommendations(limit: number): Promise<Product[]> {
  const products: Product[] = []
  const addedIds = new Set<string>()  // 用于去重
  
  // 步骤1: 根据用户搜索历史推荐（权重最高）
  const searchHistory = await getUserSearchHistory(5)
  if (searchHistory.length > 0) {
    const keywordProducts = await searchProductsByKeywords(searchHistory, limit)
    // 添加到结果列表，去重
  }
  
  // 步骤2: 根据用户浏览历史推荐（权重中）
  if (products.length < limit) {
    const browseCategories = await getUserBrowseCategories(3)
    if (browseCategories.length > 0) {
      const categoryProducts = await getProductsByCategories(browseCategories, limit - products.length)
      // 添加到结果列表，去重
    }
  }
  
  // 步骤3: 补充热销商品（权重低）
  if (products.length < limit) {
    const hotProducts = await getHotProducts(limit - products.length + 5)
    // 添加到结果列表，去重
  }
  
  return products.slice(0, limit)
}

4.2 搜索历史匹配算法

// 根据用户搜索关键词匹配商品
async searchProductsByKeywords(keywords: string[], limit: number): Promise<Product[]> {
  // 1. 获取商品数据
  // 2. 遍历商品，检查名称和描述是否包含关键词
  // 3. 匹配成功的商品加入推荐列表
  
  for (product in products) {
    for (keyword in keywords) {
      if (product.name.contains(keyword) || product.description.contains(keyword)) {
        matched = true
        break
      }
    }
  }
}

4.3 浏览历史分类匹配算法

// 根据用户浏览过的商品分类推荐
async getProductsByCategories(categoryIds: string[], limit: number): Promise<Product[]> {
  // 1. 获取用户浏览过的商品分类ID列表
  // 2. 查询这些分类下的商品
  // 3. 按销量排序返回
}

五、热搜词系统

5.1 热搜词计算

async getHotKeywords(limit: number): Promise<string[]> {
  // 1. 获取最近100条搜索记录
  // 2. 统计每个关键词的出现频率
  // 3. 按频率降序排序
  // 4. 返回前N个高频关键词
}

5.2 热搜词展示规则

排名	样式	说明
1-3名	红色背景	热度最高，突出显示
4-10名	灰色背景	普通热度

六、用户行为记录

6.1 搜索行为记录

// 在用户执行搜索时调用
async recordSearch(keyword: string, resultCount: number): Promise<void> {
  // 记录字段：
  // - user_id: 用户ID（可选，支持匿名）
  // - keyword: 搜索关键词
  // - result_count: 搜索结果数量
  // - created_at: 搜索时间
}

6.2 浏览行为记录

// 在用户查看商品详情时调用
async recordBrowse(productId: string, duration: number): Promise<void> {
  // 记录字段：
  // - user_id: 用户ID
  // - product_id: 商品ID
  // - browse_duration: 浏览时长（秒）
  // - created_at/updated_at: 时间戳
}

七、数据表结构

7.1 搜索历史表 (ml_search_history)

字段	类型	说明
id	UUID	主键
user_id	UUID	用户ID（可空）
keyword	VARCHAR(200)	搜索关键词
result_count	INTEGER	搜索结果数量
created_at	TIMESTAMP	搜索时间

7.2 浏览历史表 (ml_browse_history)

字段	类型	说明
id	UUID	主键
user_id	UUID	用户ID
product_id	UUID	商品ID
browse_duration	INTEGER	浏览时长（秒）
created_at	TIMESTAMP	首次浏览时间
updated_at	TIMESTAMP	最近浏览时间

八、API接口列表

API	方法	说明
getSmartRecommendations	GET	获取智能推荐商品
getHotKeywords	GET	获取热搜词列表
getUserSearchHistory	GET	获取用户搜索历史
getUserBrowseCategories	GET	获取用户浏览分类
recordSearch	POST	记录搜索行为
recordBrowse	POST	记录浏览行为

九、性能优化建议

9.1 缓存策略

• 热搜词列表：缓存5分钟，减少数据库查询
• 用户搜索历史：缓存10分钟
• 推荐结果：缓存3分钟

9.2 数据量控制

• 搜索历史：每个用户最多保留100条
• 浏览历史：每个用户最多保留50条
• 热搜词统计：只统计最近30天的数据

十、扩展方向

10.1 短期优化

1. 时间衰减因子：近期行为权重更高
2. 购买行为加权：已购买商品的相关商品权重提升
3. 收藏行为加权：收藏商品的相关商品权重提升

10.2 长期规划

1. 协同过滤：基于相似用户的行为推荐
2. 商品相似度：基于商品属性计算相似度
3. 机器学习：使用推荐算法模型

---

文档版本：1.0 最后更新：2024年