手機(jī)淘寶購(gòu)物時(shí)，手淘上有猜你喜歡頁面來推薦你可能會(huì)感興趣的商品；使用優(yōu)酷觀看電影時(shí)，頁面上也會(huì)推薦你可能喜歡的電影列表。個(gè)性化推薦的應(yīng)用非常廣泛，幫助企業(yè)挖掘潛在的用戶需求、提高轉(zhuǎn)化率的同時(shí)，也能夠有效提升用戶體驗(yàn)度。個(gè)性化推薦基于用戶的歷史行為習(xí)慣，商品、電影本身的屬性等數(shù)據(jù)集，這些數(shù)據(jù)之間相互關(guān)聯(lián)，應(yīng)用推薦策略時(shí)需要利用這些數(shù)據(jù)之間復(fù)雜的關(guān)聯(lián)關(guān)系，因此使用圖數(shù)據(jù)庫(kù)來存儲(chǔ)這些數(shù)據(jù)是非常合適的。
建模
本文以書籍的個(gè)性化推薦舉例，來說明如何使用圖數(shù)據(jù)庫(kù)的個(gè)性化推薦應(yīng)用。
圖數(shù)據(jù)庫(kù)GDB目前支持的圖模型是屬性圖，屬性圖將存儲(chǔ)的基本元素分為點(diǎn)（Vertex）、邊（Edge）和屬性（Property），每個(gè)Vertex或Edge都有一個(gè)標(biāo)簽（Label）來代表它的類型。在書籍個(gè)性化推薦中，我們可以定義如下的基本元素：
- Vertex：書籍（Book）、出版商（Publisher）、作者（Author）、讀者（Reader）。
- Edge：出版（Publish）、寫作（Write）、打分（Score）。
- Property：名字（name）、類型（type）、年齡（age）、出版年份（year）。
代碼實(shí)現(xiàn)
現(xiàn)在請(qǐng)您給用戶名為“小明”的讀者推薦書籍，直觀想法是“找到那些和小明評(píng)價(jià)過相同的書的讀者，把他們?cè)u(píng)價(jià)過的其它書推薦給小明”。
圖數(shù)據(jù)庫(kù)GDB目前支持的查詢語言是Gremlin，下面使用Gremlin語句來實(shí)現(xiàn)：
- 找到小明。
g.V().hasLabel('Reader').has('name','小明') - 找到小明評(píng)價(jià)過的書。
g.V().hasLabel('Reader').has('name','小明').as('myself').out('Score') - 找到跟小明評(píng)價(jià)過相同書籍的其他人。
g.V().hasLabel('Reader').has('name','小明').as('myself').out('Score').aggregate('scored_books').in('Score').where(neq('myself')) - 找到這些人看過的小明沒有看過的書。
g.V().hasLabel('Reader').has('name','小明').as('myself').out('Score').aggregate('scored_books').in('Score').where(neq('myself')).out('Score').where(not(within('scored_books')))