微信小程序开发实战：打造个性化推荐系统

引言：为什么需要个性化推荐系统

在信息爆炸的时代，用户每天面对海量内容却难以快速找到所需。个性化推荐系统通过分析用户行为数据，能够精准推送符合用户兴趣的内容，已成为电商、社交、新闻等领域的标配功能。微信小程序作为轻量级应用入口，通过集成个性化推荐可显著提升用户留存率和转化率。

典型应用场景包括：

• 电商小程序：根据浏览历史推荐相似商品
• 内容平台：基于阅读偏好推送相关文章
• 社交应用：匹配可能感兴趣的用户或群组

准备工作

开发环境要求

• 微信开发者工具（最新稳定版）
• Node.js 16+ 环境
• 云开发数据库（或自建后端服务）

数据收集基础

需在小程序后台配置合法域名，确保能正常记录用户行为数据。推荐使用微信云开发，可快速搭建数据存储服务。

基础操作：用户行为数据收集

步骤一：埋点设计

通过以下方式记录用户关键行为：

// 示例：记录商品点击事件
wx.cloud.callFunction({
  name: 'logBehavior',
  data: {
    action: 'click',
    itemId: '123',
    category: 'electronics'
  }
})

关键行为类型：

步骤二：数据存储结构

使用云开发数据库设计集合：

// 用户行为日志表
{
  _id: "自动生成",
  userId: "用户唯一标识",
  action: "行为类型",
  itemId: "关联对象ID",
  timestamp: 1625097600000,
  metadata: { // 扩展字段
    category: "电子产品",
    position: 3
  }
}

提示：建议按天分表存储行为日志，单表数据量控制在10万条以内以保证查询性能。

核心算法实现

协同过滤推荐

1. 用户相似度计算：

// 计算用户A和B的余弦相似度
function cosineSimilarity(userA, userB) {
  const commonItems = new Set([...userA.items, ...userB.items])
  let dotProduct = 0, normA = 0, normB = 0
  
  commonItems.forEach(item => {
    const countA = userA.items[item] || 0
    const countB = userB.items[item] || 0
    dotProduct += countA * countB
    normA += countA ** 2
    normB += countB ** 2
  })
  
  return dotProduct / (Math.sqrt(normA) * Math.sqrt(normB))
}

2. 生成推荐列表：

• 找出与目标用户最相似的K个用户
• 汇总这些用户喜欢但目标用户未交互的物品
• 按相似度加权排序

基于内容的推荐

// 计算物品内容相似度（示例：TF-IDF）
function calculateContentSimilarity(itemA, itemB) {
  const allWords = new Set([...itemA.keywords, ...itemB.keywords])
  let score = 0
  
  allWords.forEach(word => {
    const tfA = (itemA.keywords.filter(w => w === word).length) / itemA.keywords.length
    const tfB = (itemB.keywords.filter(w => w === word).length) / itemB.keywords.length
    // 实际应用中需加入IDF计算
    score += Math.min(tfA, tfB)
  })
  
  return score / allWords.size
}

微信小程序集成实现

步骤一：创建推荐服务云函数

// 云函数入口文件
const cloud = require('wx-server-sdk')
cloud.init()
const db = cloud.database()

exports.main = async (event, context) => {
  const { userId, limit = 5 } = event
  
  // 1. 获取用户历史行为
  const userLogs = await db.collection('behavior_logs')
    .where({ userId })
    .orderBy('timestamp', 'desc')
    .limit(20)
    .get()
  
  // 2. 简单实现：推荐同类目最近浏览的商品
  const categories = new Set()
  userLogs.data.forEach(log => {
    if (log.metadata?.category) {
      categories.add(log.metadata.category)
    }
  })
  
  // 3. 查询推荐商品（实际应实现算法逻辑）
  const recommendations = await db.collection('items')
    .where({
      category: db.command.in([...categories]),
      _id: db.command.notIn(
        userLogs.data.map(log => log.itemId)
      )
    })
    .limit(limit)
    .get()
  
  return recommendations.data
}

步骤二：前端调用展示

// 页面加载时获取推荐
Page({
  data: {
    recommendations: []
  },
  
  onLoad() {
    wx.cloud.callFunction({
      name: 'getRecommendations',
      data: { userId: '当前用户ID' },
      success: res => {
        this.setData({ recommendations: res.result })
      }
    })
  }
})

<!-- WXML 示例 -->
<view class="recommendation-section">
  <view class="section-title">为您推荐</view>
  <scroll-view scroll-x class="item-list">
    <block wx:for="{{recommendations}}" wx:key="_id">
      <view class="item-card">
        <image src="{{item.coverUrl}}" mode="aspectFill"></image>
        <text class="item-title">{{item.title}}</text>
      </view>
    </block>
  </scroll-view>
</view>

进阶优化技巧

1. 混合推荐策略

结合多种算法的加权推荐：

function hybridRecommendation(user) {
  const collaborative = getCollaborativeResults(user) // 协同过滤
  const contentBased = getContentBasedResults(user)  // 基于内容
  
  return collaborative.map((item, index) => {
    return {
      ...item,
      score: item.score * 0.6 + contentBased[index].score * 0.4
    }
  }).sort((a,b) => b.score - a.score)
}

2. 实时推荐更新

使用WebSocket实现行为触发实时推荐：

// 客户端建立连接
wx.connectSocket({
  url: 'wss://your-domain.com/recommendation',
  success() {
    console.log('WebSocket连接成功')
  }
})

// 监听行为事件触发推荐更新
wx.onBehaviorEvent = function(event) {
  wx.sendSocketMessage({
    data: JSON.stringify({
      type: 'update_recommendation',
      userId: '当前用户',
      eventData: event
    })
  })
}

常见问题

Q：如何解决冷启动问题？ A：新用户可采用以下策略：

1. 基于注册时选择的兴趣标签推荐
2. 推荐热门/高评分内容
3. 采用探索-利用平衡策略（如ε-greedy算法）

Q：如何评估推荐效果？ A：关键指标包括：

• 点击率（CTR）
• 转化率（CVR）
• 平均浏览深度
• 用户留存率

可通过A/B测试对比不同推荐策略的效果。

小结

本文通过完整流程演示了微信小程序中个性化推荐系统的开发方法，从数据收集、算法实现到前端集成。关键要点包括：

1. 设计合理的埋点方案记录用户行为
2. 根据业务场景选择适合的推荐算法
3. 结合小程序特性优化推荐服务性能

建议开发者从简单规则开始，逐步迭代优化推荐策略。完整项目代码可参考GitHub上的miniapp-recommendation-demo（示例链接）。