49 lines
2.4 KiB
Markdown
49 lines
2.4 KiB
Markdown
# S-03 · 推荐引擎 v2（多目标 + 兴趣画像）
|
||
|
||
| 字段 | 值 |
|
||
|---|---|
|
||
| 项目 | DSP · `Desktop/dsp/dsp`（backend 推荐逻辑 + web feed） |
|
||
| 优先级 | P1 · M3 |
|
||
| 建议模型 | deepseek-v4.1-flash（主）/ qwen3.8-flash（排序用例复核） |
|
||
| 依赖 | S-01（测试基建先绿，推荐回归必须有网） |
|
||
| 预估 | 3 天 |
|
||
|
||
## 一、背景（为什么做）
|
||
|
||
DSP 架构文档自认推荐是"**简化版：热度 + 时间衰减 + 标签匹配**"（`docs/architecture.md` 对照表），而抖音级产品的推荐是多目标排序（完播/点赞/评论/关注）。现有 `tests/test_ranking.py`（434 行）+ `docs/ranking.md` 已有排序测试与设计底子——在此之上做 v2 是**有测试保护的可控升级**，且直接决定 feed 留存。
|
||
|
||
## 二、目标（交付物）
|
||
|
||
1. **多目标信号采集**：完播（播放时长/视频时长）、点赞、评论、收藏、关注——从现有行为表（VideoView/Like/Comment）聚合出行为权重。
|
||
2. **兴趣画像（轻量）**：用户对标签（`videos_tag`）的隐式偏好向量（行为加权累积）；无画像时回退冷启动（现有逻辑）。
|
||
3. **排序公式 v2**：`score = 热度分(多目标加权) × 时间衰减 × 兴趣匹配系数`；参数全部可配置（settings，不硬编码）。
|
||
4. **测试**：排序回归扩展（新增多目标与画像用例）；A/B 友好的参数快照。（与 S-01 协同，不重复建基建。）
|
||
5. 文档：`docs/ranking-v2.md`（公式、参数、回退策略、与 v1 的差异清单）。
|
||
|
||
## 三、验收标准
|
||
|
||
- [ ] 多目标权重生效：构造"高完播低赞"与"低完播高赞"视频 → 排序符合配置权重
|
||
- [ ] 兴趣画像：用户偏好的标签内容排序提升（确定性用例）
|
||
- [ ] 冷启动用户回退 v1 行为（无画像不报错、不空 feed）
|
||
- [ ] 所有参数可在 settings 调整并生效
|
||
- [ ] 既有 test_ranking 零回归 + 新增 ≥10 用例
|
||
- [ ] 性能：feed 接口 P95 延迟不劣化 >20%（附基线对照）
|
||
|
||
## 四、验收命令（参考）
|
||
|
||
```bash
|
||
cd backend && pytest -q -k ranking
|
||
pytest -q # 全量
|
||
```
|
||
|
||
## 五、边界（不许做）
|
||
|
||
- 不引入 ML 框架（纯统计加权，可控可测）
|
||
- 不做实时特征流（批式聚合）
|
||
- 不改前端 feed 契约（排序在服务端）
|
||
- 不删除现有 ranking 测试（只扩展）
|
||
|
||
## 六、交接
|
||
|
||
写 `PROGRESS_S-03.md`（含权重用例输出、性能对照、回退策略证据）。
|