如何使用图数据库构建实时推荐引擎

使用图数据库构建实时推荐引擎

“这是给你的”，“为你推荐的”，或者“你可能也喜欢”的短语已经成为大多数数字业务中的重要组成部分，特别是在电子商务或流媒体平台中。

尽管它们可能看起来像一个简单的概念，但它们意味着企业与其客户互动和连接的新时代：推荐时代。

让我们诚实一点，我们大多数人，如果不是所有人，在寻找要观看的内容时都被Netflix的推荐所吸引，或者直接去亚马逊的推荐部分看看下一个要购买的东西。

在本文中，我将解释如何使用图数据库构建实时推荐引擎。

• 中途提示的室内设计
• CMU研究人员开发了一种简单的远程学习人工智能方法，将视觉先验知识转移到机器人任务中：相较于基准线，政策学习提高了20%
• Google AI推出STUDY：一种在教育环境中用于有声读物的社交感知-时间因果推荐系统

 

什么是推荐引擎？

 

推荐引擎是一个应用高级数据过滤和预测分析的工具包，以预测和预测客户的需求和愿望，即客户可能消费或参与哪些内容、产品或服务。

为了获取这些推荐，引擎使用以下信息的组合：

• 客户的过去行为和历史，例如购买的产品或观看的系列。
• 客户与其他客户的当前行为和关系。
• 产品被客户评级。
• 企业的畅销产品。
• 类似或相关客户的行为和历史。

 

什么是图数据库？

 

图数据库是一种NoSQL数据库，其中数据存储在图结构中，而不是表格或文档中。图数据结构由节点和它们之间的关系连接组成。节点和关系都可以有自己的属性（键值对），进一步描述它们。

下图介绍了图数据结构的基本概念：

 

 

流媒体平台的实时推荐引擎

 

现在我们知道了推荐引擎和图数据库是什么，我们准备介绍如何使用图数据库为流媒体平台构建推荐引擎。

下面的图表示两个客户看过的电影以及两个客户之间的关系。

 

 

有了这个存储为图的信息，我们现在可以考虑电影推荐来影响下一个要观看的电影。最简单的策略是显示整个平台上观看次数最多的电影。使用Cypher查询语言可以很容易实现：

MATCH (:Customer)-[:HAS_SEEN]->(movie:Movie)
RETURN movie, count(movie)
ORDER BY count(movie) DESC LIMIT 5

 

然而，这个查询非常泛化，没有考虑到客户的上下文，因此对于任何给定的客户都不是最优化的。我们可以通过使用客户的社交网络，查询朋友和朋友的朋友关系来做得更好。使用Cypher非常简单：

MATCH (customer:Customer {name:'Marie'})
    <-[:IS_FRIEND_OF*1..2]-(friend:Customer)
WHERE customer <> friend
WITH DISTINCT friend
MATCH (friend)-[:HAS_SEEN]->(movie:Movie)
RETURN movie, count(movie)
ORDER BY count(movie) DESC LIMIT 5

 

这个查询由WITH子句分为两个部分，它允许我们将第一部分的结果传递到第二部分。

在查询的第一部分中，我们找到当前的客户（{name: 'Marie'}）并遍历图匹配Marie的直接朋友或他们的朋友（她的朋友的朋友），使用灵活的路径长度表示法-[:IS_FRIEND_OF*1..2]->，表示一到两个IS_FRIEND_OF关系的深度。

我们注意不要将Marie自己包括在结果中（WHERE子句），也不要得到重复的直接朋友的朋友（DISTINCT子句）。

查询的后半部分与最简单的查询相同，但现在不再考虑平台上的所有客户，而是考虑到了玛丽的朋友和朋友的朋友。

就是这样，我们刚刚为流媒体平台构建了实时推荐引擎。

总结

在本文中，我们看到了以下主题：

• 推荐引擎是什么，以及它用于进行推荐所使用的信息量。
• 图数据库是什么，以及数据是如何以图形而不是表格或文档的形式存储的。
• 使用图数据库构建流媒体平台的实时推荐引擎的示例。

José María Sánchez Salas 目前居住在挪威。他是来自西班牙穆尔西亚的自由数据工程师。在商业和开发领域之间，他还撰写了一份数据工程的新闻简报。