如今，信息推送的速度和用户对信息接受的速度都大大提高，好的推荐引擎应该具备即时性和精确性，实时推荐是成功的秘诀。 近日对neo4j图数据库小有研究，对于官方提供的retail-recommendations sandbox例程进行了了解和学习，neo4j根据沃尔玛，阿迪达斯，eBay等公司在零售领域的顶级应用，介绍了使用Neo4j构建推荐引擎时的基本原理及典型架构，作者在下文演示了Neo4j的运行情况，现抽时间和读者分享。

要实现推荐，需要建立对用户的了解。比如了解用户曾经购买过什么产品、评论过什么产品、浏览过什么产品以及他们在社交媒体网络与他的朋友或者其它用户建立起的各种关系、交互。而这些数据往往都是非结构化的数据，传统的数据架构或者说关系型数据库显得力不从心，所以才出现了图数据库。

有试验表明，在百万用户的社交网络中，如果信息存储在不同表的关系数据库中，在涉及多跳查询时性能很慢甚至无法获取结果，但对于图数据库而言仍然具有良好的性能响应。

本次的即时推荐系统，需要商品展示页面实时获取用户感兴趣的区域，也就是执行图查询的参数，比如用户在浏览空调，可将该商品的参数传至后台服务器，执行图搜索后在页面的推荐版块给出推荐。

后文详细介绍了推荐引擎的构建方式，读者可以关注微信公众号阅读，搜索公众号：图灵视界 原文链接：https://mp.weixin.qq.com/s?__biz=MzU0NzAxNTYyMQ==&mid=2247483826&idx=1&sn=0b7fb426830c4b8dd63cd8ce29bf3d14&chksm=fb559f18cc22160ea95cb0b9e3007c0c3570c2da606685c05353f66d90059efe2fd7d014d0d4&token=1799051627&lang=zh_CN#rd