招聘&找人商品列表推荐算法,大神来。

头像
隐身.
342阅读18评论

需要做一个商品列表的排序算法
是微信小程序,展示商品列表,实时展示数量为5千至8千个,商品实时在增减。
用户日活为2-3万,日浏览量几十万,
推荐算法需求:
1、分为两部分,用户未浏览商品和已浏览商品
2、未浏览商品最新发布在前,已浏览商品也按最新发布排序在后
3、用户滑动商品页,商口展示就计入已浏览,不需要点击进入。
4、用户再次刷新页面时,将已浏览商品排后去。
5、其中还有一些列表过滤条件。

我们尝试了将一次性根据常规条件将列表数据去取出来放到缓存中(60s),然后在根据连表过滤的条件对列表进行去除,在对列表手动分页,这样会有已下问题
1、浏览历史表每天的增量在200万左右,表很大,join的时候很慢
2、缓存的数据量太大了,每次都去取缓存影响性能
3、分页请求时还要排除掉已加载的任务缓存
要求:
能否根据用户直接将需要展示的数据计算到一张表中或第三方数据库中,任务接口直接取数据就行,不做过多的连表查询

需求目的是提高用户浏览效率,将不喜欢的商品减少对其展示。如果有更好的逻辑也可以。

希望是个人接单。

工期:不急
预算和支付:对这个不了解,所以不清楚价格,还请根据需求自报价。

招聘类型:
外包零活
职业:
开发
工作方式:
线上兼职
城市:
其他
领域:
电商/消费
需消耗电量 5
收藏
举报
加载中…
精选评论
头像
等级2

你这问题主要还是日活比较少,预算不多,能解决你问题的人不愿折腾

主要是薪酬问题,资金到位了就会有人愿意做。按他这个说法预算都不知道多少

哪看出来预算不多的。。

您这信息已经发了两遍了。合适的话早有人抢着干了,现在是活少人多。

第一次发是问题没讲清楚,我没找到删贴的入口,所以重新讲清楚需求点

感觉主要是已浏览数据的去除问题,或许可以用 bitmap 来做已浏览数据的 id 存储

头像
等级2

大概理解了下你的实现方法。我个人建议你先研究一下常见的推荐系统工程实现方法。

  1. 推荐数量是不是要所有常规的product都要加载到缓存?验证一下大部分用户看了多少个推荐商品后就退出了应用?你可以选择One user->TopN商品方式。
  2. 推荐系统是千人千面,你可以尝试离线+实时推荐方案。离线存每一个人事先过滤好后的商品,比如凌晨时候开始计算(此时涉及到:召回、排序、打散、业务规则)。存的数据库如:Cassandra数据库。线上+Redis进行做去重。推荐系统本身是一个排序系统,根据用户行为选择TopN作为商品推荐内容,你这里是全部商品都上,有点压力。
  3. 然后就是实时推荐,根据用户近实时点击的商品,进行算法推荐,这需要一些ML算法,利用特征做向量排序。可能你这边还需要一段时间去做这个事情。
头像
等级0

期待您的联系!
团队组成:产品经理+全栈开发 = 2人,团队在成都和北京拥有10年合作开发经验
技 术: 华为、阿里和腾讯云服务,php主流技术栈、java主流技术栈、vue、uniapp
承接范围:企业级ERP、绩效管理考核平台、各类小程序开发设计、PC应用软件自动化(如CAD自动绘图、office应用数据智能处理)、物联网系统设计开发(如水电开关管理、停车场管理系统)、社交系统开发、win应用插件开发、LLM系统开发、AI系统开发、小程序开发等
团队优势:管理整包致,从技术,到产品,再到项目进度管理团队直接整包完成,省去中间费用和对接费用,一般项目2人24H工作制人力成本节省50%代码连贯性提高70%,后期维护费用降低30%,并且我们有极致的售后服务让您满意👍

头像
等级0

了解一下智能推荐系统
1.MIND算法:核心思想是为每个用户学习多个兴趣向量,以捕捉用户兴趣的多样性。算法通过两个阶段实现:召回阶段和排序阶段。召回阶段从海量商品中选出用户可能感兴趣的候选集,排序阶段则对这些候选集进行排序,选出最符合用户兴趣的商品。
场景描述:在电商平台如天猫、京东等,用户的行为数据(如浏览、点击、购买、加购、收藏等)极为丰富。MIND算法可以通过分析这些行为数据,提取用户的多个兴趣点,如时尚服饰、电子产品、家居用品等,从而为用户推荐更加个性化的商品列表。
2.DSSM双塔模型:DSSM双塔模型的核心思想是将用户(User)和物品(Item)分别映射到同一语义空间中的低维向量,通过计算这两个向量之间的相似度(如余弦相似度或内积)来评估用户和物品之间的匹配程度。具体来说,DSSM双塔模型包含两个主要部分:用户塔(User Tower)和物品塔(Item Tower),每个塔都是一个深度学习网络,用于学习用户和物品的表示(embeddings)。
应用场景:在商品推荐场景中,DSSM模型可以用于将用户和商品表示为低维度的向量表示,并通过计算两者的相似度来衡量用户对商品的喜爱程度。具体来说,可以利用用户的历史购买记录、浏览记录、加入购物车记录等行为数据来构建用户表示,并利用商品的标题、描述、图片、价格等属性信息来构建商品表示。然后,通过计算用户表示和商品表示的相似度,可以为每个用户推荐其可能感兴趣的商品。
有需要可联系

头像
等级1

8000个商品还需要缓冲? 浏览量是有办法弄的!不需要缓存,更不需要es,

头像
等级0

需要可以联系我

头像
等级0

后端语言、数据库、缓存中间件用的是什么?

头像
等级5

我可以提供数据服务接口,只需要把数据商品和浏览历史同步到我的服务器。如果预算合适的话可以联系我

头像
等级0

可以联系我,我做过类似的

头像
等级1

大佬你这需求不太行吧,刷出来就当浏览过了?那同时n个人疯狂刷数据,能把你服务刷爆了😅

头像
等级0

是个人开发者,有算法竞赛经验,报价很低,恳请合作

头像
等级2

提供测试环境吗,想试试

头像
等级0

看似复杂其实可以通过简单方式实现,前段响应和减少请求,可以使前后端产生参与计算的越多UI反而越流畅的良性互动