MySQL 实现推荐功能的核心是设计清晰的关联结构：用户 - 物品交互表、物品标签 / 分类表，并通过 JOIN、GROUP BY 等基础操作生成推荐；支持基于共同行为的相似用户推荐和 T + 1 缓存策略。
用 MySQL 实现简单推荐功能，核心不在于复杂算法，而在于设计清晰、可查询的关联结构。重点是把“用户行为”“物品属性”“交互关系”这三类数据组织好，再通过 JOIN、GROUP BY、ORDER BY 等基础操作快速生成推荐结果。
用户 - 物品交互表（行为日志）
这是推荐的基础。记录用户对物品（如商品、文章、视频）的实际动作，比如浏览、收藏、购买、评分。
- 表名建议：
user_item_actions - 关键字段：
user_id、item_id、action_type（’view’/’like’/’buy’）、created_at（带时间便于加权） - 索引必须建在
(user_id, item_id)和(item_id, user_id)上，否则关联查询会很慢 - 示例：查某用户最近买过的 5 个商品的同类热销品，就靠这个表反向找“共同购买”
物品标签 / 分类表（内容特征）
让推荐有“内容依据”，避免纯协同过滤的冷启动问题。不需要 NLP，用预设标签或一级分类即可。
- 可拆成两张表：
items（含item_id、title、category_id）和item_tags（item_id,tag_id） - 查“和某商品同类的、近期被多人收藏的 Top10”，只需 JOIN
items+user_item_actions，按category_id分组统计 - 标签不要过度细分——MySQL 不适合做高维向量化匹配，5～20 个常用标签足够支撑基础推荐
基于相似用户的快速推荐（简易协同过滤）
不训练模型，用 SQL 直接找出“口味相近”的用户，再取他们喜欢但当前用户还没接触过的物品。
- 步骤一：找出和目标用户
u1有至少 2 个共同行为物品的其他用户（用自连接 + GROUP BY HAVING） - 步骤二：从这些相似用户的行为中，排除
u1已有的物品，按行为次数或时间加权排序 - SQL 示例片段：
SELECT t2.item_id, COUNT(*) AS score FROM user_item_actions t1 JOIN user_item_actions t2 ON t1.item_id = t2.item_id AND t1.user_id != t2.user_id WHERE t1.user_id = 123 AND t2.item_id NOT IN (SELECT item_id FROM user_item_actions WHERE user_id = 123) GROUP BY t2.item_id ORDER BY score DESC LIMIT 10; - 注意：大数据 量时加
LIMIT控制中间结果集，避免内存溢出
轻量缓存与更新策略
MySQL 不是实时推荐引擎，但可以支撑 T+1 或小时级更新的推荐位（如“猜你喜欢”“看了又看”）。
- 建一张
user_recommendations表，字段包括user_id、item_id、score、updated_at - 每天凌晨用定时任务跑一次推荐 SQL，写入该表；线上查询只读这张表，不现场计算
- 对新注册用户或零行为用户，直接 fallback 到热门榜（
SELECT item_id FROM user_item_actions GROUP BY item_id ORDER BY COUNT(*) DESC LIMIT 10）
