用户有偏好但无 UCB 数据时的分配 PreferredGenre: 80%, Popular: 20%

获取结果列表中最后 `count` 个物品的打散键值。

UCB 从评分中学习后的分配 UCB: 70%, Popular: 30%（用于多样性/新鲜度）

为用户的偏好类型初始化 UCB 统计数据（给予小幅提升）。 这使偏好类型在利用阶段有一定优势， 同时仍然允许探索其他类型。

检查用户是否应路由到冷启动流水线 如果用户的交互次数少于阈值，则为冷启动用户。

加载特征字典（词表大小）。

加载模型配置。

从本地目录加载 DeepFM 精排模型。

从本地目录加载所有精排资源。

加载特征编码用的词表字典。

合并多个策略的结果 使用轮询交替获取结果以确保多样性。 按 movie_id 去重。

使用轮询（蛇形合并）策略合并多通道结果。 交替从各通道获取结果以确保多样性。

为 DeepFM 模型准备批量输入。 创建特征数组，其中每行是一个用户-物品对。 用户特征会复制到所有候选物品。 Args: user_features: 用户特征字典

阶段 2: CTR 预估精排 使用 DeepFM 模型对候选进行排序。 如果精排不可用，回退到召回分数。

阶段 1: 多通道召回 从多个来源检索多样化的候选。

运行单个策略并处理错误

按 UCB 分数选择头部类型。 返回平衡利用和探索的类型组合。

尝试插入现在满足约束条件的待处理物品。

使用多头自注意力应用会话兴趣提取器。 这是 DSIN 的核心组件，用于提取会话级兴趣。 对于每个会话，我们应用多头自注意力来捕获 该会话内Item之间的关系。 教育说明： - 多头注意力允许模型同时关注会话的不同方面 - 自注意力意味着会

使用双向 LSTM 应用会话兴趣交互。 该组件建模会话之间的时间关系。 直觉是会话按时间排序，后续会话 可能受到早期会话的影响。 教育说明： - 双向 LSTM 在前向和后向方向处理会话 - 这捕获了过去会话如何影响当前会话以及

训练数据预处理 Args: training_config: 训练配置，包含预处理规则 train_features: 训练特征字典 train_labels: 训练标签 Returns: Tuple of

构建方法，如果需要则初始化辅助 MLP。

构建 YouTubeDNN 模型的特征字典。 参数： config - 包含数据路径和配置信息的字典 返回： 无，直接将特征字典保存为 pickle 文件

批量索引多部电影

根据PRS FPSA算法计算给定排序的估计奖励。 Args: ordering: 物品ID的元组/列表 ctr_scores: 物品到CTR分数的映射字典 next_scores: 物品到Next分数的映射字典 al

计算每个用户在每个日期点击的最后k个视频id，基于当前日期之前的点击 Args: df (pd.DataFrame): 输入的DataFrame，包含列['user_id', 'video_id', 'date', 'time_ms', '

计算输出形状 Args: input_shape: 输入张量的形状 Returns: 输出张量的形状，固定为(batch_size, 1)

根据用户活动间隙计算每个交互的会话ID。 如果用户连续两次交互的时间间隔超过`time_threshold_minutes`，则认为一个新的会话开始。 Args: df (pd.DataFrame): 输入的DataFra

计算3D用户embedding（每个用户多个胶囊）和2D物品embedding的余弦相似度。 Args: X: 3D 用户embedding，形状为 (num_users, num_capsules, embedding_dim) Y: 2D 物品

* Returns a function to use in pseudos for buttons * @param {String} type

* Returns a function to use in pseudos for input types * @param {String} type

创建 JWT 访问令牌

创建用于开发的测试超级用户（偏好科幻类型）

解码并验证 JWT 令牌

部署精排相关的模型和工件 (DeepFM)

部署召回相关的模型和工件

动态计算胶囊数量 参数: seq_len: 序列长度 [B, 1] k_max: 最大胶囊数量 返回: k_capsule: 动态胶囊数量

从数据库补充用户特征 如果请求中未提供历史记录和人口统计信息，则从数据库获取。

为 API 响应补充电影元数据

经典推荐模型评估。 Args: ----------- model : 经典推荐模型实例 test_data : 测试数据，DataFrame 或者 (user_id, item_id, label) 的列表 k_list : 评估的K值列表

评估MIND模型，使用Hit Rate@k, NDCG@k, and Precision@k。 Args: user_embs: 3D 用户embedding，形状为 (num_users, num_capsules, embedding_dim)

评估排序模型，使用AUC和gAUC指标。 Args: models: 排序模型，形状为 (main_model, None, None)，None主要是为了兼容其他模型类型 processed_data: 处理后的数据字典，包含测试特征和标签

评估重排模型，使用P@K和MAP@K指标。 测试标签为每个序列的one-hot数组，模型输出为每个序列的分数。 计算原始和重排后的标签的P@K和MAP@K，并返回两组指标。

评估推荐模型性能，计算Hit Rate@k和NDCG@k指标 参数: user_embs: np.array, 用户嵌入向量，维度为[N, D]，其中N是用户数量，D是嵌入维度 item_embs: np.array, 物品嵌入向量，维度为[T,

计算Hit Rate和NDCG指标 参数: - user_embs: 用户嵌入，shape为[batch_size, dim] - sampling_item_embs: 物品嵌入，shape为[batch_size, item_cnt, dim]

快速排列搜索算法（FPSA），基于PRS论文。 Args: items: 物品的可迭代对象 ctr_scores: 物品到分数的映射字典 next_scores: 物品到分数的映射字典 beam_size: 束搜索宽

为精排生成负样本 困难负样本按用户采样：对于每个用户的正样本， 从该用户曝光但未点击的物品中采样。 这使它们成为"困难"样本，因为用户实际看到了物品但选择不参与。 随机负样本是用户从未交互过的物品。 Args:

生成负样本

生成训练和评估样本 使用滑动窗口方式构建序列样本： - 测试数据：每个用户的最后一个物品 - 训练数据：滑动窗口生成的历史序列 Args: data_df: 包含特征的 DataFrame user_col

构造YouTubednn训练测试样本

生成随机游走

获取或创建单例冷启动服务

根据模型名称获取配置字典 Args: model_name: 模型名称 (如 "fm", "afm") Returns: 配置字典 Raises: KeyError: 如果模型配置不存在

获取2阶交叉特征的logits (类似线性embedding，但用于特征交叉) Args: input_layer_dict (OrderedDict): 输入层字典 feature_columns (list): 特征列列表 use_bia

从随机游走生成训练样本对

获取流水线组件的健康状态

获取用于精排和重排序的物品特征

获取或创建单例 RankingService 实例

获取或创建单例 RecallService 实例

获取或创建单例 RerankingService 实例

获取用于注意力激活的目标Item嵌入。 该函数从特征嵌入中提取目标Item嵌入。 目标Item是我们试图预测用户兴趣的Item。 参数： group_embedding_feature_dict：分组嵌入特征字典 返回：