系列随笔：
（二）基于商品属性的相似商品推荐算法——Flink SQL实时计算实现商品的隐式评分
（三）基于商品属性的相似商品推荐算法——批量处理商品属性，得到属性前缀及完整属性字符串
（四）基于商品属性的相似商品推荐算法——推荐与评分高的商品属性相似的商品
2020.04.15 补充：协同过滤推荐算法.pptx
提取码：4tds
注：如果你没有使用日志埋点和实时计算（接口直接累计也是可行的），你可以直接跳到这一节~
Flink SQL实时计算实现商品的隐匿评分
一、导入log service日志源表
二、导入评分配置维度表（用户行为的评分配置）
三、导入用户商品评分维表
四、用户评分结果表
四、预处理日志数据
-- 处理日志数据
CREATE VIEW probe_log0_view AS
SELECT
t1.cid,
CAST(memberCode as INT) as memberCode,
t1.event,
t1.eventApp,
TO_TIMESTAMP(CAST(CAST(__timestamp__ as DOUBLE) as BIGINT)*1000) as eventTime,
CAST(IF (SUBSTRING(t1.eventProps,0,1)='%', REGEXP_EXTRACT(t1.eventProps, concat(t2.code_name,'\\%22:(\\d+),'), 1), JSON_VALUE (t1.eventProps, concat('$.',t2.code_name))) as INT) as goodsCode,
t2.score
FROM
probe_log0 t1
LEFT JOIN rc_config_dimension FOR SYSTEM_TIME AS OF PROCTIME() AS t2
ON t1.event=t2.event AND t2.status=1
WHERE
t1.event IN ('viewGoods','shareGoods','collectGoods','addToCart');
注：eventProps为埋点的扩展json数据，因为小程序的埋点不太规范，所以加了额外的判断；正常来说，直接使用 JSON_VALUE 函数即可
五、写入结果表
-- 入库
INSERT INTO rc_member_goods
(member_code,
cid,
goods_code,
score,
update_time)
SELECT
t1.memberCode,
t1.cid,
t1.goodsCode,
CAST(IF(t2.score IS NOT NULL, t2.score, 0) + SUM(t1.score) as INT) AS score,
MAX(t1.eventTime) as update_time
FROM
probe_log0_view t1
LEFT JOIN rc_member_goods_dimension FOR SYSTEM_TIME AS OF PROCTIME() AS t2
ON t1.memberCode=t2.member_code AND t1.cid=t2.cid AND t1.goodsCode=t2.goods_code
WHERE
t1.goodsCode IS NOT NULL
AND (t1.eventTime > t2.update_time OR t2.update_time IS NULL)
GROUP BY
t1.memberCode,
t1.cid,
t1.goodsCode,
t2.score;
注：这里的难点在于 CAST(IF(t2.score IS NOT NULL, t2.score, 0) + SUM(t1.score) as INT) AS score 和 AND (t1.eventTime > t2.update_time OR t2.update_time IS NULL)
意思是：如果rc_member_goods表中没有记录的，就直接加入；如果 rc_member_goods 中有记录的，则判断 eventTime 是否大于 上前的更新时间（防止重复更新），最后累计上当前的日志分
PS：如果没有 t2.update_time IS NULL 则左连接会变成 left outer join