怎么用SQL计算可能认识的人

用户关系数据可以有很多应用，比如说好友动态PUSH，朋友圈兴趣发现，好友推荐等等。推荐可能认识的人，属于好友推荐的一种。平台应该把沉淀、培养用户关系作为平台的目标之一。当用户在平台上积累了足够的关系网，用户离开平台的沉没成本就变得很大，所以你看现在人们已经离不开微信。

可能认识的人，主要是基于用户的好友关系计算。假设有用户A,B,C其中AB是朋友，AC也是朋友，那么B和C很大可能也是认识的朋友。这时候向B推荐C或者向C推荐B，他们互相加好友的概率相对就大一些。需要注意一下，这里需要双向关注的强用户关系，单向关注并不在考虑范围之内(计算互相关注的SQL应该怎么写)。

这是一个用SQL就能解决的好问题。假设朋友关系表的名字叫做table_friends，里面有两列user_1，user_2，含义是user_1向user_2提出了好友申请，并且申请通过。

先把最终的SQL摆出来：

select 
	a.base_user,
	a.possible_user,
	sum(1) as common_friends_count                                  -- 5、sum
from 
(
	select 
		comm_user,
		base_user,
		possible_user
	from 
	(
		select 
			comm_user,
			collect_set(userid) as possible_user_set                -- 2、collect_set
		from 
		(
			select 
				user_1 as comm_user,
				user_2 as userid
			from table_friends

			union all                                               -- 1、union_all
			select 
				user_2 as comm_user,
				user_1 as userid
			from table_friends
		)a
		group by comm_user
	)a
	lateral view explode(possible_user_set) t1 as base_user         -- 3、explode
	lateral view explode(possible_user_set) t2 as possible_user
)a left join (
	select 
		user_1,
		user_2
	from 
	(
		select 
			user_1,
			user_2
		from table_friends

		union all
		select 
			user_2 as user_1,
			user_1 as user_2
		from table_friends
	)a
	group by user_1, user_2
)b on a.base_user = b.user_1 and a.possible_user = b.user_2
where a.base_user <> a.possible_user and b.user_1 is null           -- 4、filter
group by base_user, possible_user

先说明一下SQL的主要思想：
假设我们有了好友关系(A, B), (A, C)，那么
A、第一步先得到数组(B, C)
B、然后展开数组得到 (B, (B, C)), (C, (B, C))
C、然后再展开一次数组得到(B,B), (B,C), (C, B), (C, C)
D、过滤掉相同的项(B,B),(C,C)，剩下的就是我们需要的结果，并且统计出现的次数，就是共同好友的个数。这里给B推荐C，有一个共同好友；给C推荐B，有一个共同好友

然后重点介绍几个关键的注释点：

1、union_all

好友关系申请表一般只会记录申请关系，即A向B申请了好友，那么表中只有一条(A, B)，而不会存在(B, A)。而我们需要A的好友群，也需要B的好友群，所以这里复制了一份反向的申请关系。当然，如果好友关系表里面本来就是用两条记录来表示好友关系的，那就不需要做一次union all了

2、collect_set 聚合

这里把每个用户的好友们整理在一个集合中，存在possible_user_set里。换句话说就是，把有同一个共同好友的人，都放在一起，成一个Array

3、explode 展开

两次展开好友集合，相当于好友集合自身做了一次笛卡尔积。假设我有N个朋友，展开之后就是N^2条记录。这样就把他们之间所有可能的链接做了出来。

4、filter 过滤

在所有可能的链接中，我们需要去掉自己对自己的链接关系，以及已经是好友的链接关系

5、sum

根据base_user进行聚合求sum(1)，就是共同好友的个数了。如果不放心，也可以用count(distinct comm_user)

优化点

第三步展开时，N^2带来的内存压力还是很大的。微信目前最多可以添加5000个好友，上限就是25000000，用户关系上涨两千五百万倍，随便哪个集群都吃不消。所以这里需要考虑只展开一次，膨胀5000倍还是可以考虑的。只展开一次时，数据的格式是(B, (B, C))，这就要求直接操作array，我们需要进行array_remove_element删除自身，还需要进行一次array_minus把已经是好友的元素剔除。这两个操作使用UDF可以轻松完成，这里不再展开。

相关文章
计算互相关注的SQL应该怎么写