参数: num_items: 商品总数 |V|

初始化ItemCF模型。 参数: ----------- k_neighbors : int, 默认=20 用于推荐的邻居数量。 min_similarity : float, 默认=0.1

初始化UserCF模型。 参数: ----------- k_neighbors : int, 默认=20 进行推荐时考虑的邻居数量。 min_similarity : float, 默认=0

初始化后处理方法，用于设置默认值和基本验证

从物品的年份中提取年代区间。

从物品中提取主要类型。

同步执行排序逻辑（在线程池中运行）。 Args: user_features: 用户特征 candidates: 候选物品 Returns:

同步执行召回逻辑

获取当前活跃精排策略的名称

将策略添加到链的末尾 Args: strategy: 要添加的 RerankingStrategy 实例

从数据库获取可用类型（首次加载后缓存）。 如果数据库不可用，则回退到常见类型列表。

计算当前用户 average precision@k 。 Args: recommended_items: 推荐物品ID列表 relevant_items: 实际物品ID列表 k: 推荐数量，默认10 Returns:

构建层，创建Dense层用于特征交互的线性变换 Args: input_shape: 输入形状 [B, field_num, emb_dim]

构建方法，初始化双线性权重矩阵。

构建注意力因子分解机（AFM）排序模型。 参数: feature_columns: FeatureColumn列表 model_config: 包含参数的字典: - attention_factor: int, 注意力隐藏层

按照FunRec约定构建APG排序模型。 参数: feature_columns: FeatureColumn列表 model_config: 字典，支持以下键： - task_names: 任务名称列表 (默认 ["is_click

构建 AutoInt (自动特征交互学习) 排序模型。 参数: feature_columns: FeatureColumn 列表 model_config: 包含以下参数的字典: - num_interaction_lay

构建 BiasedSVD 协同过滤模型 - 用于召回的双塔结构。 BiasedSVD 基于: Rating = global_bias + user_bias + item_bias + user_factors · item_factors^T 参数:

构建 DCN (深度交叉网络) 排序模型。 参数: feature_columns: FeatureColumn 列表 model_config: 包含以下参数的字典: - num_cross_layers: int, 交叉

构建 DeepFM (深度分解机) 排序模型。 参数: feature_columns: FeatureColumn 列表 model_config: 包含以下参数的字典: - dnn_units: list, DNN 隐藏

构建 DIEN (深度兴趣演化网络) 模型。 DIEN 通过两个关键组件捕获用户兴趣演化： 1. 兴趣提取层: 从行为序列中提取兴趣 2. 兴趣演化层: 使用双线性注意力建模兴趣随时间的演化 参数: feature_columns: 特征

构建 DIN (深度兴趣网络) 排序模型。 参数: feature_columns: FeatureColumn 列表 model_config: 包含以下参数的字典: - dnn_units: list, 隐藏层单元数包括

构建深度会话兴趣网络 (DSIN) 模型用于 CTR 预测。 DSIN 引入会话概念来更好地建模用户行为序列。 关键组件： 1. 会话划分：基于时间间隔将用户行为序列划分为会话 2. 偏置编码：应用会话、位置和Item偏置（如果启用） 3. 会话兴

构建双塔模型 参数: feature_columns: 特征列配置 model_config: 模型配置字典，包含: - dnn_units: 物品和用户塔的层单元数 (default: [128, 64, 32]) - dropo

构建EGES模型（自包含版本，适配funrec训练/评估流程） 参数: feature_columns: 未使用（EGES使用自定义输入） model_config: 包含以下字段： - dataset_name: 数据集名

构建ESMM（全空间多任务模型）排序模型。 参数: feature_columns: FeatureColumn列表 model_config: 包含以下参数的字典: - task_names: 列表，任务名称（默认 ["i

构建 FiBiNET（特征重要性和双线性特征交互网络）排序模型。 Args: feature_columns: FeatureColumn 列表 model_config: 包含参数的字典： - dnn_units: lis

构建因子分解机(FM)模型 - 用于排序 参数: feature_columns: 特征列配置 model_config: 模型配置字典，包含: - linear_logits: 是否添加线性部分，默认为True

构建因子分解机(FM)模型 - 双塔结构用于召回 基于FM的数学分解：MatchScore = V_item · V_user^T 根据FM的数学推导： - 用户向量：V_user = [1; ∑(v_u * x_u)] - 物品向量：V_item = [

构建 FunkSVD 协同过滤模型 - 用于召回的双塔结构。 FunkSVD 基于：评分 = 用户因子 · 物品因子^T Args: feature_columns: 特征列配置 model_config: 模型配置字典，包含：

构建分层专家混合（HMoE）排序模型（多域CTR风格）。 参数: feature_columns: List[FeatureColumn] model_config: 包含以下配置的字典: - num_domains: in

构建HSTU模型 (分层结构化Transformer单元) 参数: feature_columns: 特征列配置 model_config: 模型配置字典，包含: - max_seq_len: 最大序列长度 (默认: 50) - m

使用标准化接口构建ItemCF模型。 参数: feature_columns: ItemCF不使用（经典算法不需要特征列） model_config: 模型配置字典，包含: - k_neighbors: 邻居数量（默认: 2

构建M2M排序模型并遵循FunRec接口约定 Args: feature_columns: 特征列配置 model_config: 模型参数配置，包含： - task_names: 任务名称列表（默认 ["is_click", "lo

构建MIND (Multi-Interest Network with Dynamic routing)模型 参数: feature_columns: 特征列配置 model_config: 模型配置字典，包含: - neg_samples: 负采

构建多门控专家混合（MMoE）多任务排序模型。 Args: feature_columns: FeatureColumn 列表 model_config: 包含参数的字典： - task_names: 列表，任务名称（默认

构建神经因子分解机（NFM）排序模型。 Args: feature_columns: FeatureColumn 列表 model_config: 包含参数的字典： - dnn_units: 列表，DNN 隐藏单元（默认 [

构建PEPNet排序模型并遵循FunRec接口约定 Args: feature_columns: 特征列配置 model_config: 模型参数配置，包含： - task_names: 任务名称列表（默认 ["is_click",

构建PLE（渐进式分层提取）多任务排序模型。 参数: feature_columns: FeatureColumn列表 model_config: 包含参数的字典: - task_names: 列表，任务名称（默认["is_

构建基于乘积的神经网络 (PNN) 排序模型。 Args: feature_columns: FeatureColumn 列表 model_config: 包含参数的字典: - dnn_units: 列表，DNN 隐藏层单元

构建与FunRec训练流水线兼容的PRM重排序模型。 Args: feature_columns: FeatureColumn列表 model_config: 包含参数的字典: - max_seq_len: int (默认30)

构建与FunRec流水线兼容的PRS DPWN风格重排序模型。 输入遵循PRM/PRM数据集约定： - 用户部分（广播特征）：组'user_part' - 物品分类序列：组'item_part'（varlen_sparse，combiner=None）

为模型测试结果构建表格化摘要。 参数: results: 从模型键到字典的映射，字典包含以下键： - 'success': bool - 'metrics': dict 或 None

构建SASRec模型 (Self-Attentive Sequential Recommendation) 参数: feature_columns: 特征列配置 model_config: 模型配置字典，包含: - max_seq_len: 最大序

构建Shared-Bottom多任务排序模型。 Args: feature_columns: FeatureColumn列表 model_config: 包含参数的字典: - task_names: 列表，任务名称 (默认

为FunRec构建STAR（星形拓扑自适应推荐器）排序模型。 Args: feature_columns: FeatureColumn列表 model_config: 包含参数的字典: - num_domains: 整数，域

使用标准化接口构建Swing模型。 参数: feature_columns: Swing不使用（经典算法不需要特征列） model_config: 模型配置字典，包含： - alpha: 平滑参数（默认：1.0）

使用标准化接口构建UserCF模型。 参数: feature_columns: UserCF不使用（经典算法不需要特征列） model_config: 模型配置字典，包含： - k_neighbors: 邻居数量（默认：20

构建Wide&Deep模型 参数: feature_columns: 特征列配置 model_config: 模型配置字典，包含: - dnn_units: DNN层单元数 (默认: [64, 32]) - dnn_dropout_