千万用户推荐去重算法

[luger1990]

先不考虑推荐算法。如果我有 1KW 个用户，需要把一百万个短视频推荐给用户，并且不能重复推荐。我该用什么方法来达到这个目的。

reids 的 bitmap 去重的话确实很省空间，但是一个用户如果只看了一个视频我就得给用户在 redis 中分配一个固定大小的存储，那 1KW 个对象也是很大的存储空间，布隆过滤器同样如此

或者说我给用户推荐过的放到一个 set 里面或者 hash 里面，每次推荐的时候从推荐池子里拿 1000 个通过和 redis 中已推荐过的内容对比如果没有推荐那么推荐 推荐过的就 continue 感觉这样很 low 呀。。。

还有没有更好的解决方案！！

[murmur]

我扯一点跟技术无关的
在国内如果做推荐的话先学着怎么活下去
比如今天 b 站音乐区热榜第一的是个什么呢
https://www.bilibili.com/video/av22697648/
真的见证历史

[luger1990]

@murmur 哈哈哈 牛逼

[orangeade]

是不是建一个 MySQL 的视频－用户关系表比较合适，之后就直接 SQL 查就行了，redis 还是缓存热点数据比较好吧



@murmur 跑题了，不过共青团中共确实令人作呕

[murmur]

@orangeade 虽然有点跑题
但是上一枪打的就是快手
现在快手的推荐跟红色专区没区别了吧
楼主恰恰也提到了短视频这个热点
算法总归是得跟着需求来的

那从算法角度来看直接每个用户一个访问计数器而已 每次顺着随机初始位置+计数器*每次推荐个数往后走就行
他这个一看就是想做一个看上去随机的随机么 又不是要把这 100 个视频均匀推给 1000 个用户
如果我理解错了那楼主还要完善他的需求描述

[luger1990]

@murmur 是给所有用户随机推荐全部的视频，和抖音类似 但是不能重复推荐 最终所有人都能看到全部视频

[kslr]

@luger1990 那些就简单多了直接见到做交集

[kslr]

我又申了下题，如果用 hash 不就几百 m 内存吗？

[yidinghe]

重复推荐是什么意思，比如你有一万用户，每人推荐 100 条，不重复推荐，就得要一百万条视频啊。

[mumbler]

拉模式

建个表储存用户已看内容的 ID,推荐的时候用 left join 去重,内容一定有时间属性,只给用户推最近一段时间的内容,也只储存最近一段时间的已看记录,计算量和储存空间都会大大减少

[murmur]

@mumbler 比如一个用户只看一万个内容 他有 1kw 用户就是 1kww 个数据 这不分区或者说分区了我都不知道咋设计

[mumbler]

@murmur 首先用户不可能一天看一万个内容, 大多数内容的生产和消费都和时间相关,假设平均每个用户每天看 50 条(已经很多了),先给用户推荐最近一天生产的内容,如果看完了,再推荐一周内的内容,最多只储存用户最近一周的观看记录用于去重. 1KW 用户就算全部都是铁杆活跃用户,数据总量也就 30 亿级别,且可以按用户 ID 分区,内容按时间分区

[murmur]

@mumbler 楼主的需求是推荐不重样 虽然我感觉楼主对推荐算法理解差太多 那考虑一页推荐 20 个 刷个几次就够了

[luger1990]

@yidinghe 不是 是总共一百万条视频 单个人能刷完这 100W 条视频 每次刷到的都是自己以前没看过的

[luger1990]

@murmur 我是想怎么存储用户看过的如果用 redis 的 set 或者 hash 存储用户看过的那么占用的内存太大了，因为用户基数大

[luger1990]

@kslr 但是还得记录每个用户看过的视频 用户基数大 就会导致占用内存太大

[murmur]

@luger1990 单纯从业务角度来想 #11 楼的反倒是对的 即便是不推荐 要不每年网易云这种是拿啥出的年终报告。。

[mumbler]

@luger1990 所以不建议你用推模式啊,不用 nosql,直接关系数据库储存用户最近一周的观看记录来去重即可。就算用推的，也不需要给每个用户储存 100W 的队列，因为实际场景中，用户一辈子都不可能看到 100W 个视频. 如果内容与时间无关,也没有新内容进来,每天固定 500 个给所有人建队列就行了,第二天把前一天的数据删除了再来 500 个,真有人看完就单独给他拉内容。把问题缩小到一个封闭空间内，一下就非常简单了

[googlefans]

@luger1990 我表示在抖音经常看到重复的推荐。。。

[luger1990]

@googlefans 我还没看到 看来我看的还不够多

[LenonZeng]

大概这个思路：可以用 bitmap 处理，用户用 1KW 个 bit 表示~ 1.25M; 100W bit ~ 0.125M，实际上每个用户不可能吧 100 万的视频都看完，可以假定每个用户看 1000 个视频~0.125KB;每一个 bit 后面跟 0.125KB， 大于要维护 1.25MB *0.125K~156.25M 的空间。
每次分配的时候，取个 hash 值映射到 1000 个里面，相同的值会碰撞就是看过了；

[luger1990]

解决问题了，最后选用的是布隆过滤器。

[kalman03]

@luger1990 详细点的流程呢？

[qicmsg]

@luger1990 能详细说下怎样取数据的逻辑吗？如何从库里取出未浏览数据呢？