社交app如何做多维度的个性化推荐？

Question

现在，个性化推荐几乎是社交软件的标配了，尤其是基于地理位置、兴趣爱好、在线状态等多维度的个性化推荐。

我对这个应用场景的实现非常感兴趣，自己也在尝试实现。我之前也请教过基于地理位置的实现方案http://www.zhihu.com/question/32205786，应该说，PostgreSQL是最好的方案。不过由于一些原因（比如阿里云最近才支持PostgreSQL，
而且目前还没有在海外节点部署），所以我最终选择的方案是MySQL + ElasticSearch（简称ES）。

需求大概是这样的：
1. 可以对每一个用户进行多维度的个性化推荐，并且可以设置不同维度的比例，比如：地理位置:兴趣爱好:在线状态=7:2:1；
2. 推荐用户具有不重复性：如果样本足够，推荐应该是不重复的；如果样本不够，则推荐的用户在一段时间（比如一周）内是不重复的；

我初步的方案并没有优雅地解决问题，这里仅抛砖引玉，希望能得到大家的意见，开阔一下思路：

1. 将用户数据导入到ES中，可以基于地理位置、模糊查询、精确查询等做多维度的推荐，不同维度推荐出来的数据需要排重；
2. 给每一个用户维护一个推荐过的用户列表，将待推荐的用户去该缓冲表里排重后，然后确定各维度的推荐比例后返回；
3. 如果推荐过的用户需要一段时间后过期，可以使用定时任务定时扫描推荐过的用户列表并过期；

不过，该方案存在的问题有：

1. 如果去单独的缓冲表里排重，则每次从ES中查询数据的偏移量无法确定（尤其是考虑到过期后的数据又可以被重新推荐），这一点我还没想到比较好的方案；
2. 每次从ES中查询出来的数据，都需要一一去缓冲表里排重，当缓冲表越来越大，排重的效率会降低；可以考虑将缓冲表放到缓存里（如redis），应该问题不大；

请大家指点（不仅限于上面的方案），尤其是有过类似经验的朋友，谢谢！！！