你也許每天都會(huì)逛一逛電子商務(wù)網(wǎng)站，或者從博客、新聞和媒體出版物上閱讀大量文章。

瀏覽這些東西的時(shí)候，最令讀者或者用戶煩惱的事情是什么呢？

——有太多的東西可以看，反而會(huì)經(jīng)常看不到自己正在搜索的東西。

是的，網(wǎng)上有太多的信息和文章，用戶需要一種方式來(lái)簡(jiǎn)化他們的發(fā)現(xiàn)之旅。

如果你在經(jīng)營(yíng)一家電子商務(wù)網(wǎng)站或博客，你也許會(huì)問(wèn)：有這個(gè)必要嗎？

嗯……你聽(tīng)過(guò)漏斗嗎？

用戶所用的漏斗越小，產(chǎn)品的轉(zhuǎn)換就越大。這是用戶體驗(yàn)的基本原則。所以，如果減少步驟的數(shù)量可以增加網(wǎng)站頁(yè)面的瀏覽量甚至是收入，為什么不這么做呢？

推薦系統(tǒng)如何提供幫助？

簡(jiǎn)單來(lái)說(shuō)，推薦系統(tǒng)就是一個(gè)發(fā)現(xiàn)系統(tǒng)，該系統(tǒng)可通過(guò)分析數(shù)據(jù)向用戶提供推薦。不需要用戶去專門(mén)搜索，系統(tǒng)自動(dòng)帶來(lái)推薦商品。

這聽(tīng)起來(lái)像是魔法。

亞馬遜和Netflix幾十年前就開(kāi)始使用這種魔法了。

一打開(kāi)Spotify，它就已經(jīng)為用戶提供了一個(gè)推薦歌單（這種深度個(gè)性化推薦服務(wù)叫作Discover Weekly）。

深入了解推薦系統(tǒng)

一般來(lái)說(shuō)，我們所知的推薦系統(tǒng)有兩種——當(dāng)然并不是所有的人都知道。

1. 基于內(nèi)容的推薦系統(tǒng)

這類推薦系統(tǒng)很容易被我們的大腦消化，而且不會(huì)出現(xiàn)短路或爆炸的跡象。

例如，你是一個(gè)狂熱的小說(shuō)迷，喜歡阿加莎·克里斯蒂的《無(wú)人生還》，并從網(wǎng)上書(shū)店買(mǎi)了這本書(shū)。

那么，當(dāng)你下次再打開(kāi)網(wǎng)站時(shí)，網(wǎng)上書(shū)店就會(huì)給你推薦《ABC謀殺案》。

為什么呢？

因?yàn)樗鼈兌际前⒓由た死锼沟俚淖髌贰?/p>

因此，基于內(nèi)容的推薦模型會(huì)向你推薦這本書(shū)。

就是這么簡(jiǎn)單！那就來(lái)用一用吧！

等等……

雖然這種基于內(nèi)容的推薦很容易被我們的大腦消化，看起來(lái)也很簡(jiǎn)單，但它無(wú)法預(yù)測(cè)用戶的真實(shí)行為。

例如，你不喜歡偵探赫丘里·波羅，但喜歡阿加莎·克里斯蒂小說(shuō)中的其他偵探。在這種情況下，網(wǎng)站就不應(yīng)該向你推薦《ABC謀殺案》。

2. 協(xié)同過(guò)濾推薦系統(tǒng)

這種類型的推薦系統(tǒng)克服了上面的問(wèn)題。本質(zhì)上，該系統(tǒng)記錄了用戶在網(wǎng)站上的所有交互，并基于這些記錄提出建議。

它是什么原理呢？

請(qǐng)看下面的場(chǎng)景：

這里有兩個(gè)用戶，用戶A和用戶B。

用戶A購(gòu)買(mǎi)了商品1

用戶A購(gòu)買(mǎi)了商品2

用戶A購(gòu)買(mǎi)了商品3

用戶B購(gòu)買(mǎi)了商品1

用戶B購(gòu)買(mǎi)了商品3

那么協(xié)同過(guò)濾系統(tǒng)將會(huì)向用戶B推薦商品2，因?yàn)橛辛硗庖粋€(gè)用戶也購(gòu)買(mǎi)了商品1和商品3，同時(shí)還購(gòu)買(mǎi)了商品2。

你也許會(huì)說(shuō)，得了吧，他們可能是偶然才一起買(mǎi)了那些巧合的商品。

但是，如果有100個(gè)用戶都與用戶A有相同的購(gòu)買(mǎi)行為呢?

這就是所謂的群眾的力量。

那么，你還在等什么呢？讓我們開(kāi)始在你的生產(chǎn)環(huán)境中創(chuàng)建協(xié)同過(guò)濾推薦系統(tǒng)吧！

等等，先別著急！

雖然這個(gè)系統(tǒng)性能極佳，但在嘗試創(chuàng)建可用于生產(chǎn)的系統(tǒng)時(shí)，它還存在幾個(gè)嚴(yán)重問(wèn)題。

協(xié)同過(guò)濾推薦系統(tǒng)的不足

1. 它不知道用戶的購(gòu)物習(xí)慣?；趦?nèi)容的推薦系統(tǒng)會(huì)根據(jù)用戶的購(gòu)物記錄推薦相似商品，與此相反，協(xié)同過(guò)濾推薦系統(tǒng)的推薦并不是基于相似性。如果你關(guān)心這一問(wèn)題的話，解決方案就是將兩種方法混合起來(lái)，結(jié)合使用。

2. 因?yàn)樾枰鎯?chǔ)用戶項(xiàng)矩陣，所以系統(tǒng)需要大量的硬件資源。假設(shè)你的電子商務(wù)網(wǎng)站有10萬(wàn)用戶；與此同時(shí)，你的網(wǎng)站提供1萬(wàn)種產(chǎn)品。在這種情況下，你將需要10000 x 100000的矩陣，每個(gè)元素包含4個(gè)字節(jié)的整數(shù)。是的，光是存儲(chǔ)矩陣，不做其他事，你就需要4GB的內(nèi)存。

3. “冷啟動(dòng)”（冰冷的開(kāi)始），該系統(tǒng)并不會(huì)為新用戶帶來(lái)好處，因?yàn)橄到y(tǒng)并不了解新用戶。

4. 不變性。如果用戶沒(méi)有在網(wǎng)站上進(jìn)行搜索或購(gòu)物，系統(tǒng)的推薦將一成不變。于是用戶就會(huì)認(rèn)為網(wǎng)站上沒(méi)有什么新鮮東西，從而退出網(wǎng)站。

通過(guò)混合使用兩種推薦系統(tǒng)可以輕易解決第1個(gè)問(wèn)題，然而，其他問(wèn)題仍然令人頭痛。

本文的目的就是解決第2、第3和第4個(gè)問(wèn)題。

讓我們開(kāi)始吧！

使推薦系統(tǒng)可用于生產(chǎn)的終極指南

如何解決這些問(wèn)題？機(jī)器本身存在限制，而且就算是根據(jù)常識(shí)，也不可能僅為小小的需求就部署一個(gè)巨大的服務(wù)器。

推薦下面這本書(shū)：

Ted Dunning 和Ellen Friedman的《實(shí)用性機(jī)器學(xué)習(xí)》

這本書(shū)告訴我們，對(duì)于一個(gè)可用于生產(chǎn)的系統(tǒng)，你不需要指望它在任何方面都具備最高精度。

在實(shí)際的用例中，一個(gè)有些不準(zhǔn)確但又可以接受的方法，通常是最有效的。

關(guān)于如何做到這一點(diǎn)，最有趣的部分是：

1. 對(duì)通用推薦指標(biāo)進(jìn)行批量計(jì)算。

2. 實(shí)時(shí)查詢，不使用用戶-商品矩陣，而是獲取用戶的最新交互并向系統(tǒng)查詢。

下面我們邊構(gòu)建系統(tǒng)邊解釋。

Python的推薦系統(tǒng)

為什么選擇python? 因?yàn)閜ython的語(yǔ)言簡(jiǎn)單易學(xué)，只需要幾個(gè)小時(shí)就能理解它的語(yǔ)法。

通過(guò)上面代碼，你可以打印包里的所有項(xiàng)。

請(qǐng)?jiān)L問(wèn)Python官網(wǎng)（https://www./downloads/），根據(jù)操作系統(tǒng)下載并安裝相應(yīng)安裝包。

本教程需要用到以下幾個(gè)安裝包。

pip install numpy

pip install scipy

pip install pandas

pip install jupyter

pip install requests

Numpy和Scipy是處理數(shù)學(xué)計(jì)算的python包，建構(gòu)矩陣時(shí)需要用到它們。Pandas 用于數(shù)據(jù)處理。Requests用于http調(diào)用。Jupyter是一個(gè)可以交互運(yùn)行python代碼的網(wǎng)絡(luò)應(yīng)用程序。

輸入Jupyter Notebook，你會(huì)看到如下界面

在提供的單元格上編寫(xiě)代碼，代碼將以交互方式運(yùn)行。

開(kāi)始之前需要幾個(gè)工具。

1. Elasticsearch（彈性搜索）。這是一個(gè)開(kāi)源搜索引擎，可以幫助快速搜索到文檔。這個(gè)工具可用于保存計(jì)算指標(biāo)，以便實(shí)時(shí)查詢。

2. Postman。這是一個(gè)API開(kāi)發(fā)工具，可用來(lái)模擬彈性搜索中的查詢，因?yàn)閺椥运阉骺梢酝ㄟ^(guò)http訪問(wèn)。

下載并安裝這兩個(gè)工具，接著就可以開(kāi)始了。

數(shù)據(jù)

先來(lái)看看Kaggle中的數(shù)據(jù)集：電子商務(wù)網(wǎng)站行為數(shù)據(jù)集（http://www.baidu.com/link?url=-uZgHHgYJmRlBX5WL_ufkLSb0S5eXU0j43iPMLh3XNtXbLq5uNoqe3Oje7AUt0PK）。下載并提取Jupyter 筆記本目錄中的數(shù)據(jù)。

在這些文件中，本教程只需要用到events.csv。

該文件由用戶對(duì)電子商務(wù)網(wǎng)站上的商品進(jìn)行的數(shù)百萬(wàn)次操作組成。

開(kāi)始探索數(shù)據(jù)吧！

import pandas as pdimport numpy as np

將輸入寫(xiě)在Jupyter Notebook上，就可以開(kāi)始了。

它會(huì)輸出(2756101，5)，這意味著你有270萬(wàn)行和5列。

讓我們來(lái)看看

df.head()

它有5欄。

1. 時(shí)間戳（Timestamp），事件的時(shí)間戳

2. 訪問(wèn)者ID（Visitorid），用戶的身份

3. 商品ID（Itemid）, 商品的名稱

4. 事件（Event）, 事件

5. 交易ID（Transactionid）,如果事件是交易，則為交易ID

下面檢查一下，哪些事件是可用的

df.event.unique()

你將獲得三個(gè)事件：瀏覽、添加到購(gòu)物車(chē)和交易。

你可能嫌麻煩，不想處理所有事件，所以本教程中只需處理交易。

所以，我們只過(guò)濾交易。

trans = df[df['event'] == 'transaction']trans.shape

它將輸出(22457, 5)

也就是說(shuō)你將有22457個(gè)交易數(shù)據(jù)可以處理。這對(duì)新手來(lái)說(shuō)已經(jīng)足夠了。

下面來(lái)進(jìn)一步看看數(shù)據(jù)

你將獲得11719個(gè)獨(dú)立訪問(wèn)者和12025個(gè)獨(dú)立商品。

創(chuàng)建一個(gè)簡(jiǎn)單而有效的推薦系統(tǒng)，經(jīng)驗(yàn)之談是在不損失質(zhì)量的情況下對(duì)數(shù)據(jù)進(jìn)行抽樣。這意味著，對(duì)于每個(gè)用戶，你只需獲取50個(gè)最新交易數(shù)據(jù)，卻仍然可以獲得想要的質(zhì)量，因?yàn)轭櫩托袨闀?huì)隨著時(shí)間的推移而改變。

trans2 = trans.groupby(['visitorid']).head(50)trans2.shape

現(xiàn)在你只有19939筆交易。這意味著2000筆左右的交易已經(jīng)過(guò)時(shí)。

由于訪問(wèn)者ID和商品ID是一長(zhǎng)串的數(shù)字，你很難記住每個(gè)ID。

你需要其他基于0的索引列。如以下界面所示：

這樣更加清晰。接下來(lái)的所有步驟只需使用訪問(wèn)者和商品欄。

圖片來(lái)源：Unsplash/Andrei Lazarev

下一步：創(chuàng)建用戶-商品矩陣

噩夢(mèng)來(lái)了……

一共有11719個(gè)獨(dú)立訪問(wèn)者和12025個(gè)商品，所以需要大約500MB的內(nèi)存來(lái)存儲(chǔ)矩陣。

稀疏矩陣（Sparse matrix）這時(shí)候就派上用場(chǎng)了。

稀疏矩陣是大多數(shù)元素為零的矩陣。這是有意義的，因?yàn)椴豢赡芩械挠脩舳假?gòu)買(mǎi)所有的商品，很多連接都將為零。

from scipy.sparse import csr_matrix

Scipy很有用。

occurences = csr_matrix((visitors.shape[0], items.shape[0]), dtype='int8')def set_occurences(visitor, item): occurences[visitor, item] += 1trans2.apply(lambda row: set_occurences(row['visitors'], row['items']), axis=1)occurences

對(duì)數(shù)據(jù)中的每一行應(yīng)用set_occurences函數(shù)。

會(huì)輸出如下結(jié)果：

<11719x12025 sparse matrix of type '<class 'numpy.int8'>'

with 18905 stored elements in Compressed Sparse Row format>

在矩陣的1.4億個(gè)單元格中，只有18905個(gè)單元格是用非零數(shù)據(jù)填充的。

所以，實(shí)際上只需要把這18905個(gè)值存儲(chǔ)到內(nèi)存中，效率就能提高99.99%。

但稀疏矩陣有一個(gè)缺點(diǎn)，想要實(shí)時(shí)檢索數(shù)據(jù)的話，需要很大的計(jì)算量。所以，到這里還沒(méi)有結(jié)束。

共現(xiàn)矩陣

下面建構(gòu)一個(gè)商品-商品矩陣，其中每個(gè)元素表示用戶同時(shí)購(gòu)買(mǎi)兩個(gè)商品的次數(shù)，我們稱之為共現(xiàn)矩陣。

要?jiǎng)?chuàng)建共現(xiàn)矩陣，你需要將共現(xiàn)矩陣的轉(zhuǎn)置與自身做點(diǎn)積。

有人試過(guò)在沒(méi)有稀疏矩陣的情況下這樣做，結(jié)果電腦死機(jī)了。所以，千萬(wàn)不要重蹈覆轍。

cooc = occurences.transpose().dot(occurences)

cooc.setdiag(0)

電腦立馬輸出了一個(gè)稀疏矩陣。

setdiag函數(shù)將對(duì)角線設(shè)置為0，這意味著你不想計(jì)算商品1的值，而商品1的位置都在一起，因?yàn)樗鼈兪窍嗤捻?xiàng)目。

異常行為

共現(xiàn)矩陣包含同時(shí)購(gòu)買(mǎi)兩種商品的次數(shù)。

但也可能會(huì)存在一種商品，購(gòu)買(mǎi)這種商品本身和用戶的購(gòu)物習(xí)慣沒(méi)有任何關(guān)系，可能是限時(shí)搶購(gòu)之類的商品。

在現(xiàn)實(shí)中，你想要捕捉的是真正的用戶行為，而非像限時(shí)搶購(gòu)那樣非常規(guī)行為。

為了消除這些影響，你需要對(duì)共現(xiàn)矩陣的得分進(jìn)行扣除。

Ted Dunnings在前一本書(shū)中提出了一種算法，叫做對(duì)數(shù)似然比(Log-Likelihood Ratio, LLR)。

LLR函數(shù)計(jì)算的是A和B兩個(gè)事件同時(shí)出現(xiàn)的可能性。

參數(shù)有

1.k11, 兩個(gè)事件同時(shí)發(fā)生的次數(shù)

2.k12, 事件B 單獨(dú)發(fā)生的次數(shù)

3.k21, 事件A單獨(dú)發(fā)生的次數(shù)

4.k22, 事件A和事件B都沒(méi)有發(fā)生的次數(shù)

現(xiàn)在計(jì)算LLR函數(shù)并將其保存到pp_score矩陣中。

row_sum = np.sum(cooc, axis=0).A.flatten()column_sum = np.sum(cooc, axis=1).A.flatten()total = np.sum(row_sum, axis=0)pp_score = csr_matrix((cooc.shape[0], cooc.shape[1]), dtype='double')cx = cooc.tocoo()for i,j,v in zip(cx.row, cx.col, cx.data): if v != 0: k11 = v k12 = row_sum[i] - k11 k21 = column_sum[j] - k11 k22 = total - k11 - k12 - k21 pp_score[i,j] = rootLLR(k11, k12, k21, k22)

對(duì)結(jié)果進(jìn)行排序，使每種商品LLR得分最高的位于每行的第一列。

result = np.flip(np.sort(pp_score.A, axis=1), axis=1)

result_indices = np.flip(np.argsort(pp_score.A, axis=1), axis=1)

推薦系統(tǒng)的指標(biāo)

結(jié)果矩陣中的第一項(xiàng)指標(biāo)如果足夠高的話，可以被視為該項(xiàng)的指標(biāo)。

來(lái)看一下其中的一個(gè)結(jié)果

result[8456]

你會(huì)得到

array([15.33511076, 14.60017668, 3.62091635, ..., 0. ,

0. , 0. ])

再看看指標(biāo)

result_indices[8456]

你會(huì)得到

array([8682, 380, 8501, ..., 8010, 8009, 0], dtype=int64)

可以有把握地說(shuō)，商品8682和商品380的LLR分?jǐn)?shù)很高，可以作為商品8456的指標(biāo)。而商品8501分?jǐn)?shù)不是那么高，可能不能作為商品8456的指標(biāo)。

這意味著，如果有用戶購(gòu)買(mǎi)了商品8682和商品380，你可以向他推薦商品8456。

這很簡(jiǎn)單。

但是，根據(jù)經(jīng)驗(yàn)，你可能想給LLR分?jǐn)?shù)施加一些限制，這樣可以刪除無(wú)關(guān)緊要的指標(biāo)。

現(xiàn)在，已經(jīng)準(zhǔn)備好將它們組合到彈性搜索中了，這樣就可以實(shí)時(shí)查詢推薦。

import requests

import json

好了，現(xiàn)在可以把之前準(zhǔn)備好的東西放到彈性搜索中了。

但是，請(qǐng)注意。如果你想用 /_create/<id> API一個(gè)個(gè)地添加數(shù)據(jù)，將會(huì)花費(fèi)很長(zhǎng)時(shí)間。你當(dāng)然可以這么做，但是可能需要花費(fèi)半個(gè)小時(shí)到一個(gè)小時(shí)才能把12025個(gè)商品轉(zhuǎn)移到彈性搜索中。

那怎么解決這個(gè)問(wèn)題呢？

批量更新

幸運(yùn)的是，彈性搜索擁有批量API，可以輕松地同時(shí)發(fā)送多個(gè)文檔。

因此，創(chuàng)建一個(gè)新索引(items2)，讓我們來(lái)嘗試一下：

actions = []

for i in range(indicators.shape[0]):

length = indicators[i].nonzero()[0].shape[0]

real_indicators = items[indicators_indices[i, :length]].astype('int').tolist()

id = items[i]

action = { 'index' : { '_index' : 'items2', '_id' : str(id) } }

data = {

'id': int(id),

'indicators': real_indicators

}

actions.append(json.dumps(action))

actions.append(json.dumps(data))

if len(actions) == 200:

actions_string = '\n'.join(actions) + '\n'

actions = []

url = 'http://127.0.0.1:9200/_bulk/'

headers = {

'Content-Type' : 'application/x-ndjson'

}

requests.post(url, headers=headers, data=actions_string)if len(actions) > 0:

actions_string = '\n'.join(actions) + '\n'

actions = [] url = 'http://127.0.0.1:9200/_bulk/'

headers = {

'Content-Type' : 'application/x-ndjson'

}

requests.post(url, headers=headers, data=actions_string)

瞧，只需要幾秒鐘就能完成。

在Postman中點(diǎn)擊這個(gè)API

127.0.0.1:9200/items2/_count

你就存儲(chǔ)了數(shù)據(jù)

{ 'count': 12025, '_shards': { 'total': 1, 'successful': 1, 'skipped': 0, 'failed': 0 }}

用/items2/240708檢查一下商品數(shù)據(jù)

Id是商品的Id，而指標(biāo)則是成為該商品推薦指標(biāo)的其他商品。

實(shí)時(shí)查詢

創(chuàng)建的最棒的部分就是實(shí)時(shí)查詢

{ 'query': { 'bool': { 'should': [ { 'terms': {'indicators' : [240708], 'boost': 2}} ] } }}

發(fā)送請(qǐng)求到127.0.0.1:9200/items2/_search

你會(huì)得到三個(gè)結(jié)果。商品312728, 商品305675和 商品346067。正是會(huì)與商品240708一起購(gòu)買(mǎi)的三件商品。

太棒了！現(xiàn)在大量的資源需求已經(jīng)不是問(wèn)題了。那么，另外兩個(gè)問(wèn)題呢？

圖片來(lái)源：Unsplash/Sean O.

“冷啟動(dòng)”問(wèn)題：我不認(rèn)識(shí)你

創(chuàng)建推薦系統(tǒng)時(shí)，最常見(jiàn)的就是冷啟動(dòng)問(wèn)題，因?yàn)橄到y(tǒng)中不會(huì)有新用戶的任何行為記錄。

那么，系統(tǒng)應(yīng)該向他們推薦什么呢？

請(qǐng)看我們最近構(gòu)建的推薦系統(tǒng)。你覺(jué)得這個(gè)結(jié)果有什么異常嗎？

是的，結(jié)果只返回3個(gè)推薦項(xiàng)——只有3個(gè)。你打算如何向客戶展示這三個(gè)可憐的推薦項(xiàng)呢？

為了更好的用戶體驗(yàn)，讓我們將未受推薦的商品放在列表末尾。

你可以使用常數(shù)分?jǐn)?shù)來(lái)返回所有其他項(xiàng)。

但是，你也需要對(duì)所有未受推薦的項(xiàng)目進(jìn)行排序，這樣即使沒(méi)有再用戶的行為中捕捉到，也有可能是用戶會(huì)喜歡的商品。

多數(shù)情況下，受歡迎的商品非常好用。

如何確定一個(gè)商品是否受歡迎呢？

popular = np.zeros(items.shape[0])def inc_popular(index): popular[index] += 1trans2.apply(lambda row: inc_popular(row['items']), axis=1)

這很簡(jiǎn)單，逐個(gè)數(shù)商品的出現(xiàn)次數(shù)，出現(xiàn)次數(shù)最多的就最流行。讓我們創(chuàng)建另一個(gè)索引items3。批量插入

這個(gè)索引階段中也包括流行字段。所以數(shù)據(jù)會(huì)是這樣的

{ 'id': 240708, 'indicators': [ 305675, 346067, 312728 ], 'popular': 3.0}

你將會(huì)有三個(gè)字段。ID，指標(biāo)（與前面類似），以及流行字段（也就是用戶購(gòu)買(mǎi)的商品數(shù)量）。

在前面的查詢中加入popular。

函數(shù)得分：組合得分的方法

所以，現(xiàn)在有多個(gè)得分來(lái)源，即指標(biāo)分?jǐn)?shù)和流行分?jǐn)?shù)，那么如何將分?jǐn)?shù)組合起來(lái)呢？

可以用彈性搜索的功能評(píng)分。

修改查詢，并添加一個(gè)功能評(píng)分，將流行值的0.1倍添加到上面的常量分?jǐn)?shù)中。不必執(zhí)著于0.1，也可以使用其他函數(shù)，甚至自然對(duì)數(shù)。像這樣：

Math.log(doc['popular'].value)

現(xiàn)在，可以看到最受歡迎的商品461686排在第四位，僅低于推薦商品。

下面依次是其它受歡迎的商品。

不變的、靜態(tài)的推薦

如你所見(jiàn)，每次實(shí)時(shí)查詢時(shí)，推薦結(jié)果都保持不變。一方面這很好，因?yàn)槲覀兊募夹g(shù)是可復(fù)制的；但另一方面，用戶可能對(duì)此并不滿意。

Ted Dunnings在他的書(shū)中說(shuō)，在推薦的第20個(gè)商品后，點(diǎn)擊率將會(huì)非常低。這意味著在那之后我們推薦的任何商品都不會(huì)被用戶知道。

怎么解決這個(gè)問(wèn)題呢？

有一種技術(shù)叫做抖動(dòng)。它會(huì)在查詢時(shí)產(chǎn)生一種隨機(jī)干擾，使最不受推薦的商品的排名提前，但同時(shí)又保證受到強(qiáng)烈推薦的商品仍然在推薦列表的前幾位。

{ 'query': { 'function_score':{ 'query': { 'bool': { 'should': [ { 'terms': {'indicators' : [240708], 'boost': 2}}, { 'constant_score': {'filter' : {'match_all': {}}, 'boost' : 0.000001}} ] } }, 'functions':[ { 'filter': {'range': {'popular': {'gt': 1}}}, 'script_score' : { 'script' : { 'source': '0.1 * Math.log(doc['popular'].value)' } } }, { 'filter': {'match_all': {}}, 'random_score': {} } ], 'score_mode': 'sum', 'min_score' : 0 } }}

隨機(jī)分?jǐn)?shù)會(huì)給出使所有商品均勻分布的隨機(jī)干擾。得分很小，這樣最受歡迎的推薦商品排名就不會(huì)下降。

好處在于用戶將瀏覽時(shí)不必滾動(dòng)到第二或第三頁(yè)，只需要點(diǎn)擊瀏覽器上的刷新按鈕，就會(huì)得到新的內(nèi)容。

這很神奇。