PHP推荐权重算法以及分页

• 1. 如果用户浏览的第一页，则清空浏览历史
• 2. 每次加载完数据，都保存到read_log, 方便下一页数据排重
• 数据权重分析：
  • 1获取文章高点赞，高评论的50%数量的文章
  • 2获取用户有点赞过作者的文章，那就推荐该作者的最新文章，拿30%
  • 其余随机文章20%
  • 如果1和2点还不够limit的文章数量,那就再随机补足文章数量
• todo 以下代码还待优化，只是先提供思路

<?php
// 1. 查询用户最近交互过的文章相关作者（点赞/评论记录）
use app\common\service\HelperService;
use think\facade\Db;// 初始化变量
$interacted_authors = [];// 用户参数设置
$user_id = 1; // 当前用户ID
$page_type = 0; // 推荐页面类型
$filter_conditions = []; // 查询过滤条件
$page_number = input('page', 1); // 页码
$page_size = input('limit', 10); // 每页记录数
$random_seed = '11'; // 随机数种子，用于随机推荐的一致性// 当访问第一页时，重置用户阅读记录
if ($page_number == 1) {// 清除该用户在此类型页面的阅读记录Db::name('user_article_read_log')->where('type', $page_type)->where('user_id', $user_id)->delete();
}// 获取用户最近点赞过的文章作者
$liked_authors = Db::name('articles_like')->alias('al')->join('articles a', 'a.id = al.article_id')->where('al.user_id', $user_id)->where($filter_conditions)->whereTime('al.create_time', '-30 days') // 最近30天内->column('a.user_id');// 获取用户最近评论过的文章作者
$commented_authors = DB::name('articles_comment')->alias('ac')->join('articles a', 'a.id = ac.article_id')->where($filter_conditions)->where('ac.user_id', $user_id)->whereTime('ac.create_time', '-30 days') // 最近30天内->column('a.user_id');// 合并并去重用户交互过的作者ID
$interacted_authors = HelperService::arrayFilterUnique(array_merge($liked_authors, $commented_authors));// 2. 构建推荐查询 - 使用子查询和UNION方式组合多种推荐策略// 策略1: 获取热门文章（高点赞、高评论）- 占50%权重
$hot_article_limit = ceil($page_size * 0.5);
$hot_article_query = DB::name('articles')->alias('a')->join('user_article_read_log rl', 'rl.article_id = a.id and rl.user_id='.$user_id, 'left')->where('a.status', 1)->whereNull('rl.id') // 排除已阅读的文章->where($filter_conditions)->where('a.create_time', '>', time() - 7 * 24 * 3600) // 最近7天内->order('a.like_count DESC, a.comment_count DESC, a.create_time DESC')->field('a.*')->limit($hot_article_limit)->buildSql();// 策略2: 如果用户有交互历史，则获取相关作者的最新文章 - 占30%权重
$related_article_query = '';
$related_article_limit = ceil($page_size * 0.3);
if (!empty($interacted_authors)) {$related_article_query = DB::name('articles')->alias('a')->join('user_article_read_log rl', 'rl.article_id = a.id and rl.user_id='.$user_id, 'left')->where($filter_conditions)->whereNull('rl.id') // 排除已阅读的文章->where('a.status', 1)->whereIn('a.user_id', $interacted_authors)->whereTime('a.create_time', '-15 days') // 最近15天->order('a.create_time DESC')->limit($related_article_limit)->field('a.*')->buildSql();
}// 策略3: 随机推荐文章以增加多样性 - 占20%权重或在无交互历史时占50%
$random_article_limit = empty($interacted_authors) ? ceil($page_size * 0.5) : ceil($page_size * 0.2);
$random_article_base_query = DB::name('articles')->alias('a')->join('user_article_read_log rl', 'rl.article_id = a.id and rl.user_id='.$user_id, 'left')->whereNull('rl.id') // 排除已阅读的文章->where($filter_conditions)->where('a.status', 1)->whereTime('a.create_time', '-30 days') // 最近30天->orderRaw('RAND('.$random_seed.')')->field('a.*');// 构建随机文章的SQL
$random_article_sql = $random_article_base_query->limit($random_article_limit)->buildSql();// 组合所有查询
$union_queries = array_filter([$hot_article_query, $related_article_query, $random_article_sql]);
$combined_sql = implode(' UNION ', $union_queries);
$combined_sql = '(' . $combined_sql . ')';// 执行合并查询
$recommended_articles = Db::table($combined_sql . ' a')->select()->toArray();// 如果推荐结果不足，补充随机文章
if (count($recommended_articles) < $page_size) {$additional_articles = $random_article_base_query->whereNotIn('a.id', array_column($recommended_articles, 'id'))->limit($page_size - count($recommended_articles))->select()->toArray();$recommended_articles = array_values(array_filter(array_merge($recommended_articles ?: [],$additional_articles ?: [])));
}// 设置返回数据
$article_list = $recommended_articles;
$total_count = Db::name('articles')->count();// 记录用户阅读日志，用于下次推荐时排除已读内容
$read_logs = [];
foreach ($article_list as $article) {$read_logs[] = ['user_id' => $user_id,'article_id' => $article['id'],'type' => $page_type];
}// 批量插入阅读记录
if (!empty($read_logs)) {Db::name('user_article_read_log')->insertAll($read_logs);
}