Page reocmmend algorithm

page_recommend.php

<?php

class PageRecommender
{
	private $userLikes; // [userId => [pageId, pageId, ...]]
	private $similarUsers;

	public function __construct(array $userLikes)
	{
		$this->userLikes = $userLikes;
		$this->similarUsers = [];
	}

	public function findSimilarUsers($userId)
	{
		$userPages = $this->userLikes[$userId] ?? [];
		$similarities = [];

		foreach ($this->userLikes as $otherId => $otherPages) {
			if ($otherId !== $userId) {
				// Jaccard similarity = (A ∩ B) / (A ∪ B)
				$intersection = count(array_intersect($userPages, $otherPages));
				$union = count(array_unique(array_merge($userPages, $otherPages)));
				$similarities[$otherId] = $union > 0 ? $intersection / $union : 0;
			}
		}

		arsort($similarities);
		$this->similarUsers = $similarities;
		return $similarities;
	}

	public function recommendPages($userId, $numRecommendations = 5)
	{
		$userPages = $this->userLikes[$userId] ?? [];
		$this->findSimilarUsers($userId);

		$pageScores = [];
		$maxSimilarity = max($this->similarUsers);

		foreach ($this->similarUsers as $similarUserId => $similarity) {
			$normalizedSimilarity = $similarity / $maxSimilarity;
			$similarUserPages = $this->userLikes[$similarUserId] ?? [];

			foreach ($similarUserPages as $pageId) {
				if (!in_array($pageId, $userPages)) {
					if (!isset($pageScores[$pageId])) {
						$pageScores[$pageId] = 0;
					}
					$pageScores[$pageId] += $normalizedSimilarity;
				}
			}
		}

		arsort($pageScores);
		return array_slice($pageScores, 0, $numRecommendations, true);
	}
}

// Example usage
$userLikes = [
	'user1' => ['page1', 'page2', 'page3', 'page4', 'page5', 'page6', 'page7', 'page8', 'page9', 'page10'],
	'user2' => ['page1', 'page2', 'page3', 'page11', 'page12'],
	'user3' => ['page2', 'page3', 'page4', 'page13', 'page14'],
	'user4' => ['page1', 'page2', 'page3', 'page4', 'page15', 'page16']
];

$recommender = new PageRecommender($userLikes);
$recommendedPages = $recommender->recommendPages('user1', 5);
print_r($recommendedPages);

Giải thích chi tiết thuật toán:

1. Tính độ tương đồng giữa users (Jaccard similarity):

$intersection = count(array_intersect($userPages, $otherPages));
$union = count(array_unique(array_merge($userPages, $otherPages)));
$similarities[$otherId] = $union > 0 ? $intersection / $union : 0;

• Ví dụ: User1 thích pages [1,2,3], User2 thích pages [2,3,4]
• Intersection (giao): [2,3] = 2 pages
• Union (hợp): [1,2,3,4] = 4 pages
• Similarity = 2/4 = 0.5 (50% similar)

2. Tính điểm cho mỗi page:

$normalizedSimilarity = $similarity / $maxSimilarity;
$pageScores[$pageId] += $normalizedSimilarity;

• Chuẩn hóa similarity về thang 0-1
• Mỗi page sẽ được cộng điểm dựa trên độ tương đồng của user đã like nó
• Page được like bởi nhiều user tương đồng sẽ có điểm cao hơn

3. Ví dụ thực tế:

User1: likes [1,2,3]
User2: likes [2,3,4] (similarity 0.5)
User3: likes [3,4,5] (similarity 0.2)

• Page 4 sẽ được recommend vì:
  • User2 (similarity 0.5) liked it
  • User3 (similarity 0.2) liked it
  • Score = 0.5 + 0.2 = 0.7

Thuật toán này hiệu quả vì:

• Đề xuất dựa trên hành vi thực tế của users
• Ưu tiên pages được like bởi users có cùng sở thích
• Có thể scale tốt với nhiều users và pages