如果使用缓存肯定比数据库性能要高一数量级, 考虑数据结构采用集合或布隆过滤器, 但是集合占用空间较大, 数据比对复杂, 不适于中大型数据规模采用, 例如: 推荐10条未被推荐的数据, 则需要根据已推荐和总推荐数据取差集..., 在大数据量场景下是非常局限的....假定总共1000人, 每人维护一个推荐bit结构, 则共计消耗内存 11.9 M
通过上面的计算看出来, 占用内存还是很小的, 资源方面是OK的, 我们来看下具体的逻辑图....image.png
上图表示的是每个销售的 bitmap推荐结构, 游标从左到右检查, 标记为1的表示已将当前线索推荐过给他, 或者线索生命周期结束后由全局状态同步过来....1, 避免在请求中扫描过多失效线索
image.png
3.