类似于好友推荐有没有比较好的实现方案推荐？

如果是想更深入讨论的，那么建议还是补充一些细节。否则只能得到泛泛的回应。

业务刚开始数据量很少的时候，其实简简单单的返回热门内容效果最好。
数据多到需要考虑个性化的时候，可以从协同过滤开始（假设属性类似的用户喜欢的内容也类似）。
在往上就需要考虑推荐的目标了（例如目标是让用户点击就用点击率作为目标），然后将能收集到的信息做成特征喂给 XGBoost 。到这个程度已经可以应付大部分场景了。
在往上基本就是头部公司了，会有专门的部门优化这些。

@coderxy 一定要有算法的，否则推荐框架只是一些概率和统计学公式组成的框架而已。
具体要看产品的要求，例如，婚恋交友 app ，就会倾向于推荐性别差异的、年龄差一定范围内能接受的、星座匹配的优先展示，以及用户个人标签偏好，例如 A 女择偶标签为：170cm+、信星座、大叔控，那就要优先把身高超过 170cm 的年龄大于 n 岁的，星座匹配的大叔给展示出来。这也是算法。

@GeekGao 那这种算法是需要用到哪些算法推荐框架吗？ 还是说依赖哪些数据库？ 或者是哪些基础设施？ 因为我没弄过这一块，可能问的问题很不专业， 明了一点说就是我现在只会写代码，这样一个推荐需求我无从下手。

@marcolin18 用 mysql 这种关系型数据库也可以实现多维度、不同加权、综合排序吗？

@SakuraSa 因为涉及到类似于男女匹配推荐，所以跟 feed 流的推荐有点不一样。 您提到的协同过滤是需要用到什么算法框架去实现吗？

年龄这个属性咋做匹配？ 假设数据库里 1000 万用户，
用户 A 年龄 28 ， 只能匹配同龄人？ 27 29 的人就不匹配么？
为了找用户 A 适配的人，轮训一遍数据库 1 千万用户， 把 top100~200 找出来给用户 A 推荐？

@yufeng0681 我现在的疑问就是这个方案该怎么定。 以最简单粗暴的一种思路来讲， 如果需求是给男性用户推荐小于或等于他年龄的用户， 则根据用户的生日去数据库查询生日小于等于他的、且最近活跃的 100 个用户， 然后在程序内做去重。 当然实际业务还有很多个加权项，有的项目没有办法从数据库直接查，所以就有了这个提问。

楼主想的太简单了，想通过一个数据库就昨晚，那不可能的。

要上一整套的数据分析系统，流式的，批式的，然后再上算法。

只用一个 sql 怎么推荐啊，每个用户查一次？狗粗暴，但系统扛不住。

你甚至连你的系统雏形都没有，就一个数据库，网上找找推荐类的文章啊、论文啊，读几篇，先把架构学到

@someday3 在看 🤣 就是因为现在啥都没有，才来社区问问大佬们有啥意见

@coderxy 推荐你先补充一下基本的原理和实践，看看这本书《集体智慧编程》

@coderxy MySQL 可以，但性能可能受限，先做数据预处理，不要想着一条 SQL 搞定，可以定时跑批实现。
给 OP 一个简单思路：原始业务数据 --> 特征提取 --> 预处理入库 --> 搜索预处理数据进行推荐。
接下来就是要明确一下业务数据来源、数据规模、提取方法、预处理方法、查询展示方法。
如果不是实时模型，是可以将 OP 的这个需求理解为一个传统 ETL 任务来实现的。

@GeekGao 谢谢大佬

@marcolin18 我试试，谢谢大佬

@coderxy 友情提醒：不要因为 ETL 概念陷到数据仓库的领域里面去了哈，工程问题，够用就好。

这个就是学校里的一个推荐的联系项目，实际工作中不可能给你提供这么多属性信息。更多的是通过统计用户的行为信息作为画像的特征。

@coderxy 实现的工程方法有很多种，需要结合你的实际情况来考虑，否则容易 over engineering 。
1. 你是个人/初创项目还是企业商业化产品？个人/初创项目的话可以一开始可以做得很简单，不用考虑太多
2. 你设想的用户量有多少（如果不清楚，可以估计一下 1~2 年最多多少用户。一两万，一两百万和一两千万用户量在工程上是不同的需求）
3. 你需要的实时性是怎么样的？一个新用户进来就要马上看到推荐的好友还是可以容忍几分钟/几小时/几天？
4. 什么样的推荐才是”最适合他的其它用户“，容忍度有多少？你最好访问一下你的目标用户，甚至手工做个测试。
5. 你怎么评价推荐的有效性？很多情况下，你推荐一个“相对”热门的其实就够了。比如一个省/市，年龄合适的异性朋友。在启动阶段尤其如此，其他的可以等产品跑起来再去优化。这种交友产品的初始阶段可能准确性并不重要，所以可能不是你投入资源的优先事项。

当然如果这是你的作业或者交差的，那又是另外一回事了。

可以看看 https://gorse.io/zh/ 这个项目？直接当做一个服务来调用就行，小规模的使用应该足够了

需要的数据大概长这样：总共 2n+1 列，前 n 列是当前用户的资料，中间 n 列是被推荐用户的资料，最后一列是是否点击。
先搞一个随机版本，收集一点数据，然后拿 LightGBM 训练模型，输入是前 2n 列，输出是最后一列。
训练完之后，对于每一个当前用户，遍历所有用户，得到打分最高的那几个，放在当前用户的推荐栏，然后继续收集数据。
然后循环迭代。
不过我最烦这种 b 功能了，只想上网当小透明，不想裸身冲浪。

不管用了啥算法， 推荐效果的跟踪也一并要做了。
这样方便进行业务调整，看看不同画像的人是否需要不同的策略， 如果一个都没效果，那基本策略都要调整。