4. 数据模型设计：评分事件模型、用户模型、商品/内容模型、聚合结果模型
实时评分系统的核心在于对海量、高并发的评分事件进行快速处理与准确聚合。数据模型的设计直接决定了系统的吞吐能力、数据一致性以及后续分析的灵活性。本章将详细定义四个核心数据模型：评分事件模型、用户模型、商品/内容模型以及聚合结果模型。
4.1 评分事件模型（Rating Event Model）
评分事件是系统的原始输入，代表一次独立的用户评分行为。该模型需要承载完整的上下文信息，以便进行去重、反欺诈以及实时流处理。
| 字段名 | 类型 | 描述 | 示例 |
|---|---|---|---|
event_id |
UUID | 全局唯一事件ID，用于幂等去重 | a1b2c3d4-...-e5f6 |
user_id |
String | 评分用户标识 | user_10086 |
target_id |
String | 被评分对象ID（商品/内容） | product_9527 |
target_type |
Enum | 对象类型（product / content） | product |
score |
Integer | 评分值（1-5分） | 4 |
timestamp |
Long | 事件发生时间戳（毫秒） | 1712345678000 |
metadata |
Map | 扩展属性（设备、渠道、标签等） | {"device":"iOS","channel":"app"} |
设计要点：使用
event_id 实现幂等写入，避免消息队列重试导致重复评分。 target_type 字段支持多业务线复用同一套评分管道。
4.2 用户模型（User Model）
用户模型不仅存储基础信息，还需记录用户的评分行为特征，用于风控与个性化推荐。
- 基础信息：
user_id、nickname、avatar_url、registration_time。 - 评分统计：
total_ratings（总评分次数）、avg_score_given（平均给出分数）、last_rating_time（最近评分时间）。 - 风控标签：
risk_level（风险等级）、is_blacklisted（是否黑名单）、daily_rating_count（当日评分次数）。
关键约束：用户模型中的
daily_rating_count 需要在内存中（如 Redis）实时更新，并与数据库异步同步，用于拦截刷分行为。
4.3 商品/内容模型（Product/Content Model）
该模型描述被评分对象的元数据，是聚合查询的维度基础。商品和内容可共用一套抽象模型，通过 type 字段区分。
| 字段名 | 类型 | 描述 | 示例 |
|---|---|---|---|
target_id |
String | 对象唯一ID | product_9527 |
type |
Enum | 对象类型 | product |
title |
String | 对象标题 | 无线蓝牙耳机 |
category_id |
String | 所属分类ID | cat_elec_audio |
seller_id |
String | 卖家/创作者ID | seller_123 |
status |
Enum | 上下架状态 | online |
4.4 聚合结果模型（Aggregation Result Model）
聚合结果模型是实时计算产出的最终数据，直接服务于前端展示与推荐系统。该模型需要支持高并发读取，通常存储在 Redis 或具备缓存层的数据库中。
// 聚合结果模型 JSON 示例
{
"target_id": "product_9527",
"target_type": "product",
"total_ratings": 1580,
"average_score": 4.2,
"score_distribution": {
"1": 20,
"2": 45,
"3": 210,
"4": 680,
"5": 625
},
"recent_trend": {
"last_hour_avg": 4.5,
"last_24h_avg": 4.1
},
"last_updated": 1712345678000
}
注意：
score_distribution 字段用于前端展示评分柱状图，必须保证各分数段计数之和等于 total_ratings。 recent_trend 用于计算近期热度，需通过滑动窗口算法实时更新。
4.5 数据模型关系与流转架构
下图展示了四个模型之间的数据流转关系：评分事件经过流处理引擎后，更新用户模型与商品模型，最终产出聚合结果模型供 API 层查询。
4.6 模型设计核心原则总结
| 模型 | 存储选型 | 核心设计原则 |
|---|---|---|
| 评分事件模型 | Kafka / Pulsar | 不可变、有序、支持回溯重放 |
| 用户模型 | Redis + MySQL | 热数据在缓存，冷数据持久化 |
| 商品/内容模型 | MySQL + CDN | 维度表，变化频率低，可缓存 |
| 聚合结果模型 | Redis Cluster | 高并发读，最终一致性，TTL 过期 |
架构决策：评分事件模型采用不可变日志结构，确保数据完整性；聚合结果模型采用最终一致性，允许秒级延迟，换取极高的查询吞吐量。