レコメンドエンジンほどまで行かず、単にとある項目と、それに対するタグが複数あるだけのイメージのものがあり、どういったDB設計にしようか、またどのように参照したら良いのかで躓いています。
取り急ぎ合計2カラムだけのデータが大量にあるようなテーブルにしようかと思うのですが、
項目1 タグ1,タグ2,タグ3,タグ4,タグ5,タグ6,タグ7
項目2 タグ4,タグ8,タグ9,タグ10,タグ11,タグ12
項目3 タグ1,タグ2,タグ3
この場合項目1に一番近いものとして項目3が引っ張ってこれるようにしたいのですが、どのようなコードにしたら良いのでしょうか。
気になる質問をクリップする
クリップした質問は、後からいつでもMYページで確認できます。
またクリップした質問に回答があった際、通知やメールを受け取ることができます。
バッドをするには、ログインかつ
こちらの条件を満たす必要があります。
回答5件
0
要件にもよりますが、自分なら正規化してタグテーブルと関連テーブルに分けますかね。
タグテーブル (id, name)
関連テーブル (項目id, タグid)
そのうえで関連性を見つけるときは、項目idが1のタグと同じタグが多い項目idを探す感じでしょうか
以下イメージですが...
SQL
1select 項目id, count(*) from 関連テーブル 2where タグid in (select タグid from 関連テーブル where 項目id = 1) 3group by 項目id 4order by count(*) desc 5limit 5;
※ただし、データ量が多いなら、もう少し工夫しないと遅そうですが...
投稿2016/10/03 21:38
総合スコア6586
0
すごく単純な方法だと、比較する2つの同じ長さの配列のドット積をだすことかな。
返り値が大きければ大きいほど共通項が多いので似ている。
<?php // 項目1 タグ1,タグ2,タグ3,タグ4,タグ5,タグ6,タグ7 $item1 = [1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0]; // 項目2 タグ4,タグ8,タグ9,タグ10,タグ11,タグ12 $item2 = [0, 0, 0, 1, 0, 0, 0, 1, 1, 1, 1, 1]; // 項目3 タグ1,タグ2,タグ3 $item3 = [1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0]; echo array_sum(array_map(function($a,$b) { return $a * $b; }, $item1, $item2)); echo array_sum(array_map(function($a,$b) { return $a * $b; }, $item1, $item3));
投稿2016/10/03 19:39
編集2016/10/03 19:40退会済みユーザー
総合スコア0
0
基本方針は icchii様と同様(「正規化してタグテーブルと関連テーブルに分け」る)ですが、
関連性の計算にはJaccard係数を使用するのが良いでしょう。
例えば以下のように"関連テーブル"を定義した場合、
sql
1CREATE TABLE relations ( 2 item_id int, 3 tag_id int, 4 5 PRIMARY KEY (item_id, tag_id), 6 UNIQUE INDEX (tag_id, item_id) 7);
項目1 に対する他の項目の Jaccard係数は以下のSQLで算出できます。
sql
1SELECT 2 item_id, 3 dist_count, 4 matched_count, 5 (matched_count / (dist_count + 7 - matched_count)) jaccard_index # "7" は項目1 のタグ数 6FROM ( 7 SELECT 8 dist.item_id, 9 COUNT(*) dist_count, 10 COUNT(org.item_id) matched_count 11 FROM relations AS dist 12 LEFT OUTER JOIN relations AS org 13 ON dist.tag_id = org.tag_id AND org.item_id = 1 14 WHERE dist.item_id <> 1 15 GROUP BY dist.item_id 16) AS tmp 17ORDER BY jaccard_index DESC;
http://sqlfiddle.com/#!9/7ddec0/9
しかし、この方法ではデータ量が多くなると性能面で問題が生じる可能性があります。
実際、上のSQLの実行計画を見てみると、tmp
一時テーブルに対する ORDER BY 句のところで filesort が発生しています。
http://sqlfiddle.com/#!9/7ddec0/10
「レコードが百万件以上」で問題になるか否かは性能要件とサーバ・ネットワーク等の性能しだいなので何とも言えませんが、
性能を改善したい場合は、 icchii様のコメントにあるように「バッチ処理で Jaccard係数を保存しておく」などの対策が必要になります。
※ 当然ですが、その場合はリアルタイムのデータではなくなります。
投稿2016/10/04 05:54
総合スコア4791
0
既存ライブラリのソースを読んで勉強したほうが早いのでは。
レコメンドエンジン(協調フィルタリング)をPHP+Redisで実装 - Qiita
協調フィルタリング型レコメンドエンジン開発のため仕様について考える - Qiita
協調フィルタリングは枯れた技術
すでに枯れた技術らしいので、自分でシコシコやっても車輪の再発明すぎるかもしれない?
投稿2016/10/04 03:35
編集2016/10/04 03:38総合スコア907
バッドをするには、ログインかつ
こちらの条件を満たす必要があります。
0
「近い」の概念が曖昧です。どういう条件を満たせば近いと判定されるのでしょうか?
項目4 タグ1,タグ2,タグ4
項目5 タグ1,タグ2,タグ3,タグ8
このような候補が合った場合、項目4は項目3に比べて近いでしょうか?
また項目5は項目3と一致するタグの数は同じですが、タグの数という意味ではより項目1に近く、異なるタグがあるという意味では遠いように思います。
単純に一致するタグが多いものという条件でいいなら(この場合項目3と項目5は共に一致するタグの数が3なので同じ近さということに成ります)、タグ1を保有する項目に+1、タグ2を保有する項目に+1....タグ7を保有する項目に+1と集計して、値が最大のものを抜き出すようにコードを書けば良いと思います。
投稿2016/10/03 19:47
総合スコア2068
あなたの回答
tips
太字
斜体
打ち消し線
見出し
引用テキストの挿入
コードの挿入
リンクの挿入
リストの挿入
番号リストの挿入
表の挿入
水平線の挿入
プレビュー
質問の解決につながる回答をしましょう。 サンプルコードなど、より具体的な説明があると質問者の理解の助けになります。 また、読む側のことを考えた、分かりやすい文章を心がけましょう。
バッドをするには、ログインかつ
こちらの条件を満たす必要があります。
2016/10/04 04:33
2016/10/04 05:13 編集
2016/10/05 05:17
2016/10/05 05:19 編集
2016/10/05 07:09