“这是给你的”，“推荐给你的”或者“你可能还喜欢”的短语在大多数数字业务中变得至关重要，特别是在电子商务或流媒体平台中。

尽管它们看起来可能很简单，但它们意味着企业与客户互动和连接的新时代：推荐时代。

坦率地说，我们大多数人，如果不是所有人，在寻找要观看的内容时都被Netflix的推荐所吸引，或者直接前往亚马逊的推荐部分看看下一步要购买什么。

在本文中，我将解释如何使用图数据库构建实时推荐引擎。

什么是推荐引擎?

推荐引擎是一种工具包，它应用高级数据过滤和预测分析来预测和预测客户的需求和喜好，即客户可能消费或参与的内容、产品或服务。

为了获取这些推荐，推荐引擎使用以下信息的组合：

1. 客户过去的行为和历史，例如购买的产品或观看的系列。

2. 客户当前的行为和与其他客户的关系。

3. 产品受到客户的评级。

4. 企业的畅销产品。

5. 类似或相关客户的行为和历史。

什么是图数据库?

图数据库是一种NoSQL数据库，其中数据存储在图结构中，而不是表格或文档中。图数据结构由节点和节点之间的关系连接组成。节点和关系都可以有自己的属性（键-值对），进一步描述它们。

下图介绍了图数据结构的基本概念：

流媒体平台实时推荐引擎

现在我们已经了解了什么是推荐引擎和图数据库，我们准备开始介绍如何使用图数据库构建流媒体平台的推荐引擎。

下图存储了两个客户观看的电影以及两个客户之间的关系。

将这些信息存储为图后，我们现在可以考虑通过电影推荐来影响下一部要观看的电影。最简单的策略是显示整个平台上观看最多的电影。使用Cypher查询语言可以很容易实现这一点。

MATCH (:Customer)-[:HAS_SEEN]->(movie:Movie)
RETURN movie, count(movie)
ORDER BY count(movie) DESC LIMIT 5

然而，这个查询太过于泛化，没有考虑到客户的上下文，因此对于任何特定的客户来说都没有进行优化。我们可以更好地利用客户的社交网络，查询朋友和朋友的朋友关系。使用Cypher非常简单明了。

MATCH (customer:Customer {name:'Marie'})
    <-[:IS_FRIEND_OF*1..2]-(friend:Customer)
WHERE customer <> friend
WITH DISTINCT friend
MATCH (friend)-[:HAS_SEEN]->(movie:Movie)
RETURN movie, count(movie)
ORDER BY count(movie) DESC LIMIT 5

这个查询由WITH子句分为两个部分，它允许我们将第一部分的结果传递到第二部分。

在查询的第一部分中，我们找到当前的客户（{name: 'Marie'}）并遍历图，匹配玛丽的直接朋友或他们的朋友（她的朋友的朋友），使用灵活的路径长度表示-[:IS_FRIEND_OF*1..2]->，这意味着深度为一或两个IS_FRIEND_OF关系。

我们要注意，不要将玛丽本人包括在结果中（WHERE子句），并且不要获取重复的直接朋友的朋友（DISTINCT子句）。

查询的第二部分与最简单的查询相同，但现在我们不再考虑平台上的所有客户，而是考虑玛丽的朋友和朋友的朋友。

就是这样，我们刚刚为流媒体平台构建了实时推荐引擎。

结论

在本文中，我们学到了以下内容：

1. 推荐引擎是什么，以及它使用多少信息来进行推荐。

2. 图数据库是什么，以及数据如何以图形而不是表格或文档的形式存储。

3. 通过使用图数据库，我们可以为流媒体平台构建实时推荐引擎的示例。