如何将基于Python与余弦相似度算法的推荐系统接入Laravel应用

1. REST API 调用（实时推荐首选） #

把 Python 推荐系统封装成独立的 API 服务，Laravel 通过 HTTP 请求调用获取结果，这是最通用的跨语言集成方式。

步骤1：Python 端封装 API #

用 FastAPI 或 Flask 快速搭建接口，以下是 FastAPI 示例：

# main.py
from fastapi import FastAPI
import numpy as np
from sklearn.metrics.pairwise import cosine_similarity

app = FastAPI()

# 替换为你实际的余弦相似度推荐逻辑
def calculate_recommendations(user_id):
    # 示例：模拟用户/物品特征矩阵
    user_features = np.array([[1.2, 3.1, 0.8]])
    item_features = np.array([[1.1, 3.0, 0.7], [4.5, 2.2, 1.0], [0.5, 1.8, 3.3]])
    
    similarities = cosine_similarity(user_features, item_features)[0]
    top_item_indices = similarities.argsort()[-3:][::-1]  # 取Top3推荐
    return [f"item_{idx+1}" for idx in top_item_indices]

@app.get("/api/recommend/{user_id}")
async def get_recommendations(user_id: int):
    recommendations = calculate_recommendations(user_id)
    return {"user_id": user_id, "items": recommendations}

启动 API 服务：

uvicorn main:app --host 0.0.0.0 --port 8000

步骤2：Laravel 端调用 API #

使用 Guzzle HTTP 客户端发起请求，先安装依赖：

composer require guzzlehttp/guzzle

控制器中实现调用逻辑：

// app/Http/Controllers/RecommendationController.php
namespace App\Http\Controllers;

use GuzzleHttp\Client;
use Illuminate\Http\Request;

class RecommendationController extends Controller
{
    public function fetch(int $userId)
    {
        $client = new Client([
            'base_uri' => 'http://localhost:8000/',
            'timeout'  => 10.0,
        ]);

        try {
            $response = $client->get("api/recommend/{$userId}");
            $data = json_decode($response->getBody(), true);
            return view('recommendations', ['data' => $data]);
        } catch (\Exception $e) {
            return back()->with('error', '推荐服务暂时不可用');
        }
    }
}

添加路由：

// routes/web.php
Route::get('/recommendations/{userId}', [RecommendationController::class, 'fetch']);

2. 命令行直接调用脚本（轻量离线场景） #

如果推荐不需要实时生成，可直接让 Laravel 调用 Python 脚本，适合批量计算或低频率请求场景。

步骤1：Python 脚本支持命令行参数 #

修改你的推荐脚本，接收用户 ID 参数并输出结果：

# recommend.py
import sys
import numpy as np
from sklearn.metrics.pairwise import cosine_similarity

def get_recommendations(user_id):
    # 替换为你的实际推荐逻辑
    user_features = np.array([[1.2, 3.1, 0.8]])
    item_features = np.array([[1.1, 3.0, 0.7], [4.5, 2.2, 1.0], [0.5, 1.8, 3.3]])
    
    similarities = cosine_similarity(user_features, item_features)[0]
    top_item_indices = similarities.argsort()[-3:][::-1]
    return [f"item_{idx+1}" for idx in top_item_indices]

if __name__ == "__main__":
    if len(sys.argv) != 2:
        print("Usage: python recommend.py <user_id>")
        sys.exit(1)
    user_id = int(sys.argv[1])
    print("\n".join(get_recommendations(user_id)))

步骤2：Laravel 调用脚本 #

使用 Laravel 自带的 Process 类执行脚本（Laravel 9+ 内置，低版本需安装 symfony/process）：

// 控制器代码片段
use Illuminate\Support\Facades\Process;

public function generate(int $userId)
{
    // 替换为你的脚本绝对路径
    $result = Process::run("/usr/bin/python3 /path/to/recommend.py {$userId}");

    if ($result->successful()) {
        $items = explode("\n", trim($result->output()));
        return view('recommendations', ['items' => $items]);
    } else {
        return back()->with('error', '推荐生成失败：' . $result->errorOutput());
    }
}

注意确保 Laravel 运行用户有脚本执行权限，且 Python 路径正确。

3. 共享数据库（批量离线计算最优解） #

提前用 Python 批量计算所有用户的推荐结果，存入 Laravel 共用的数据库，Laravel 直接读取数据，性能最优。

步骤1：Python 写入数据库 #

安装数据库依赖（以 MySQL 为例）：

pip install pymysql

Python 脚本中连接 Laravel 数据库并写入结果：

import pymysql

# 配置为 Laravel 的数据库信息
conn = pymysql.connect(
    host='localhost',
    user='laravel_db_user',
    password='your_db_password',
    database='laravel_database'
)
cursor = conn.cursor()

# 示例：批量计算用户1的推荐结果
user_id = 1
recommendations = ["item_1", "item_2", "item_3"]

# 假设存在 user_recommendations 表（需提前在 Laravel 中创建）
sql = "REPLACE INTO user_recommendations (user_id, recommendations) VALUES (%s, %s)"
cursor.execute(sql, (user_id, ",".join(recommendations)))
conn.commit()

cursor.close()
conn.close()

步骤2：Laravel 读取数据 #

直接查询数据库获取推荐结果：

// 控制器代码片段
use Illuminate\Support\Facades\DB;

public function show(int $userId)
{
    $recStr = DB::table('user_recommendations')
        ->where('user_id', $userId)
        ->value('recommendations');
    
    $items = $recStr ? explode(",", $recStr) : [];
    return view('recommendations', ['items' => $items]);
}

可通过 Linux 定时任务（Cron）每天自动运行 Python 脚本更新推荐数据。

4. 异步队列处理（避免阻塞请求） #

如果推荐计算耗时较长，用 Laravel 队列异步调用 Python 服务，防止阻塞用户请求。

示例队列任务 #

// app/Jobs/GenerateRecommendations.php
namespace App\Jobs;

use GuzzleHttp\Client;
use Illuminate\Bus\Queueable;
use Illuminate\Contracts\Queue\ShouldQueue;
use Illuminate\Foundation\Bus\Dispatchable;
use Illuminate\Queue\InteractsWithQueue;
use Illuminate\Queue\SerializesModels;
use Illuminate\Support\Facades\DB;

class GenerateRecommendations implements ShouldQueue
{
    use Dispatchable, InteractsWithQueue, Queueable, SerializesModels;

    protected $userId;

    public function __construct(int $userId)
    {
        $this->userId = $userId;
    }

    public function handle()
    {
        $client = new Client([
            'base_uri' => 'http://localhost:8000/',
            'timeout'  => 30.0,
        ]);

        $response = $client->get("api/recommend/{$this->userId}");
        $data = json_decode($response->getBody(), true);

        // 存入数据库
        DB::table('user_recommendations')->updateOrInsert(
            ['user_id' => $this->userId],
            ['recommendations' => json_encode($data['items'])]
        );
    }
}

控制器中分发任务：

use App\Jobs\GenerateRecommendations;

public function trigger(int $userId)
{
    GenerateRecommendations::dispatch($userId);
    return back()->with('message', '推荐正在生成，稍后刷新查看');
}

内容的提问来源于stack exchange，提问作者ElhaYassine