我目前正在尝试构建一种算法，根据某些数据位计算relevance user到另一个user。
不幸的是，自从大约十年前离开学校以来，我的数学技能已经恶化，因此，我非常挣扎于此。我发现了一种在线算法，可以将“热门”帖子推到新闻源的顶部，并认为这是一个很好的起点。这是我在网上找到的算法/计算（在MySQL中）：
LOG10(ABS(activity) + 1) * SIGN(activity) + (UNIX_TIMESTAMP(created_at) / 300000)
我希望做的是调整上述概念，以便使用我自己的应用程序中的数据和模型。考虑这个用户对象（修剪）：
{
"id": 1
"first_name": "Joe",
"last_name": "Bloggs",
"counts": {
"connections": 21,
"mutual_connections": 16
},
"mutual_objects": [
{
"created_at": "2017-03-26 13:30:47"
},
{
"created_at": "2017-03-26 14:25:32"
}
],
"last_seen": "2017-03-26 14:25:32",
}
上面有三位相关信息需要在算法中加以考虑：
mutual_connections mutual_objects但考虑到较旧的对象不应该像新的对象那样提高相关性，因此created_at字段。last_seen 有人能建议一个相当简单的（如果可能的话）这样做的方法吗？
这是我的想法，但老实说，我不知道它在做什么，所以我不能确定它是否是一个好的解决方案而且我也错过了last_seen，因为我找不到方法添加这个：
$mutual_date_sum = 0;
foreach ($user->mutual_objects as $mutual_object) {
$mutual_date_sum =+ strtotime($mutual_object->created_at);
}
$mutual_date_thing = $mutual_date_sum / (300000 * count($user->mutual_objects));
$relevance = log10($user->counts->mutual_connections + 1) + $mutual_date_thing;
为了清楚起见，我不打算从数学天才那里实施某种政府层面的AI，50,000线算法。我只是在寻找一个相对简单的解决方案，暂时可以解决这个问题。
我玩了一点，并设法建立了以下测试。似乎mutual_objects在这个特定的算法中非常重要，因为我期望看到用户4和5在结果列表中位于mutual_connections的大量上方。
我不知道这是否更容易修改/玩，但这可能是我能做的最好的。如果您有任何建议，请提供帮助： - ）
$users = [
[
'id' => 1,
'mutual_connections' => 15,
'mutual_objects' => [
[
'created_at' => '2017-03-26 14:25:32'
],
[
'created_at' => '2017-03-26 14:25:32'
],
[
'created_at' => '2017-02-26 14:25:32'
],
[
'created_at' => '2017-03-15 14:25:32'
],
[
'created_at' => '2017-01-26 14:25:32'
],
[
'created_at' => '2017-03-26 14:25:32'
],
[
'created_at' => '2016-03-26 14:25:32'
],
[
'created_at' => '2017-03-26 14:25:32'
]
],
'last_seen' => '2017-03-01 14:25:32'
],
[
'id' => 2,
'mutual_connections' => 2,
'mutual_objects' => [
[
'created_at' => '2016-03-26 14:25:32'
],
[
'created_at' => '2015-03-26 14:25:32'
],
[
'created_at' => '2017-02-26 14:25:32'
],
[
'created_at' => '2017-03-15 14:25:32'
],
[
'created_at' => '2017-01-26 14:25:32'
],
[
'created_at' => '2017-03-26 14:25:32'
],
[
'created_at' => '2016-03-26 14:25:32'
],
[
'created_at' => '2016-03-26 14:25:32'
],
[
'created_at' => '2016-03-26 14:25:32'
],
[
'created_at' => '2017-03-15 14:25:32'
],
[
'created_at' => '2017-02-26 14:25:32'
],
[
'created_at' => '2017-03-15 14:25:32'
],
[
'created_at' => '2017-01-26 14:25:32'
],
[
'created_at' => '2017-03-12 14:25:32'
],
[
'created_at' => '2016-03-13 14:25:32'
],
[
'created_at' => '2017-03-17 14:25:32'
]
],
'last_seen' => '2015-03-25 14:25:32'
],
[
'id' => 3,
'mutual_connections' => 30,
'mutual_objects' => [
[
'created_at' => '2017-02-26 14:25:32'
],
[
'created_at' => '2017-03-26 14:25:32'
]
],
'last_seen' => '2017-03-25 14:25:32'
],
[
'id' => 4,
'mutual_connections' => 107,
'mutual_objects' => [],
'last_seen' => '2017-03-26 14:25:32'
],
[
'id' => 5,
'mutual_connections' => 500,
'mutual_objects' => [],
'last_seen' => '2017-03-26 20:25:32'
],
[
'id' => 6,
'mutual_connections' => 5,
'mutual_objects' => [
[
'created_at' => '2017-03-26 20:55:32'
],
[
'created_at' => '2017-03-25 14:25:32'
]
],
'last_seen' => '2017-03-25 14:25:32'
]
];
$relevance = [];
foreach ($users as $user) {
$mutual_date_sum = 0;
foreach ($user['mutual_objects'] as $bubble) {
$mutual_date_sum =+ strtotime($bubble['created_at']);
}
$mutual_date_thing = empty($mutual_date_sum) ? 1 : $mutual_date_sum / (300000 * count($user['mutual_objects']));
$relevance[] = [
'id' => $user['id'],
'relevance' => log10($user['mutual_connections'] + 1) + $mutual_date_thing
];
}
$relevance = collect($relevance)->sortByDesc('relevance');
print_r($relevance->values()->all());
打印出来：
Array
(
[0] => Array
(
[id] => 3
[relevance] => 2485.7219150272
)
[1] => Array
(
[id] => 6
[relevance] => 2484.8647045837
)
[2] => Array
(
[id] => 1
[relevance] => 622.26175831599
)
[3] => Array
(
[id] => 2
[relevance] => 310.84394042139
)
[4] => Array
(
[id] => 5
[relevance] => 3.6998377258672
)
[5] => Array
(
[id] => 4
[relevance] => 3.0334237554869
)
)
答案 0 :(得分：1)
这个问题是机器学习的候选者。寻找一本介绍性的书，因为我觉得它不是很复杂，你可以做到。如果没有，根据您在网站上的收入，您可能会考虑雇用为您做这件事的人。
如果你喜欢这样做＆＃34;手动＆＃34 ;;你将建立自己的模型，具有不同因素的特定权重。请注意，我们的大脑经常欺骗我们，你认为完美的模型可能远非最佳。
我建议你立即开始存储每个用户与哪些用户交互的数据;这样您就可以将结果与实际数据进行比较。此外，在未来，您将拥有构建合适的机器学习系统的基础。
话虽如此，这是我的建议：
最后，你需要一个这样的列表（有3个用户）：
A->B: relevance
----------------
User1->User2: 0.59
User1->User3: 0.17
User2->User1: 0.78
User2->User3: 0.63
User3->User1: 0.76
User3->User2: 0.45
1）对于每个用户
1.1）计算并缓存每个用户的年龄，以天为单位，整数向下舍入（下限）。
1.2）存储最大值（年龄（last_seen））-let仅将其称为max-。这是一个值，而不是每个用户一个值。但是，只有先前计算过每个用户的年龄
，才能计算出来1.3）对于每个用户，使用（max-age）/ max的结果更改存储的年龄值，以获得介于0和1之间的值。
1.4）在几天内计算并缓存每个对象＆＃39; created_at＆＃39;
2）对于每个用户，与其他所有用户进行比较
2.1）关于相互联系，想一想：如果A有100个连接，其中10个与B共享，C有500个连接，其中10个与D共享，你真的把10作为计算值在这两种情况下？我会拿这个百分比。对于A-> B，它将是10并且对于C-> D，它将是2.然后/ 100具有0和1之间的值。
2.2）选择相互对象的最大年龄。我们需要365天。
2.3）在用户A中，删除超过365天的对象。不要真的删除它们，只是为了这些计算而过滤掉它们。
2.4）从剩余的对象中，计算与其他每个用户的相互对象的百分比。
2.5）对于这些其他用户中的每一个，计算上一步中共同对象的平均年龄。取最大年龄（365），减去计算的平均值，将/ 365减去0到1之间的值。
2.6）检索其他用户的年龄值。
因此，对于A-> B的每个组合，您有四个介于0和1之间的值：
现在你必须为每一个分配权重，以便找到最佳解决方案。分配总和为100的百分比可以让您的生活更轻松：
相关性= 40 * MC + 30 * MO + 10 * OA + 20 * BA
在这种情况下，由于OA与MO如此相关，您可以将它们混合使用：
相关性= 40 * MC + 20 * MO + 20 * MO * OA + 20 * BA
我建议每天一夜之间运行。有很多方法可以改进和优化流程......玩得开心！