aidlab/AiDA_Python
6
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

fix:推荐接口

Browse Source
This commit is contained in:
litianxiang
2026-01-12 09:49:07 +08:00
parent c792106f02
commit 2af9cbfe78
5 changed files with 69 additions and 30 deletions
Download Patch File Download Diff File Expand all files Collapse all files

2
app/api/api_recommendation.py
View File

@@ -137,7 +137,7 @@ router = APIRouter()
# logger.error(f"推荐失败: {str(e)}", exc_info=True)
# raise HTTPException(status_code=500, detail=str(e))
# @router.on_event("startup")
@router.on_event("startup")
async def startup_event():
"""启动时初始化增量监听任务"""
try:

6
app/service/recommendation_system/config.py
View File

@@ -14,7 +14,7 @@ REDIS_KEY_USER_PREF_PREFIX = "user_pref"
RECOMMENDATION_CONFIG = {
# 时间衰减半衰期（用于计算时间衰减权重）
# 值越小，最近的行为权重越大
"K_half": 20,
"K_half": 10,
# 探索与利用的比例 (0.0-1.0)
# - 值越大，使用探索分支（随机推荐）的几率越大，结果更随机
@@ -25,7 +25,7 @@ RECOMMENDATION_CONFIG = {
# 向量检索返回的候选数量
# 值越大，候选池越大，但计算成本也越高
# 建议范围: 100-1000
"topk": 1000,
"topk": 200,
# Style 加分系数（同 style 的候选进行加分）
# 值越大，匹配 style 的候选被选中的概率越大
@@ -53,7 +53,7 @@ RECOMMENDATION_CONFIG = {
}
# 数据库表名
TABLE_USER_PREFERENCE_LOG = "user_preference_log_test"
TABLE_USER_PREFERENCE_LOG = "user_preference"
TABLE_SYS_FILE = "t_sys_file"
# MySQL 连接配置（用于推荐系统）

4
app/service/recommendation_system/incremental_listener.py
View File

@@ -1,6 +1,6 @@
"""
增量监听模块
实时监听 user_preference_log_test 表的新增记录，更新用户偏好向量
实时监听 user_preference 表的新增记录，更新用户偏好向量
"""
import logging
import math
@@ -258,7 +258,7 @@ class IncrementalListener:
}
else:
# 用户图
# 从 user_preference_log_test 获取 category（如果有）
# 从 user_preference 获取 category（如果有）
cursor.execute(f"""
SELECT category
FROM {TABLE_USER_PREFERENCE_LOG}

58
app/service/recommendation_system/milvus_client.py
View File

@@ -203,7 +203,8 @@ def search_similar_vectors(
query_vector: np.ndarray,
category: str,
topk: int = 500,
style: Optional[str] = None
style: Optional[str] = None,
style_boost_ratio: float = 0.2
) -> List[Dict]:
"""
向量相似度检索
@@ -212,7 +213,8 @@ def search_similar_vectors(
query_vector: 查询向量（2048维）
category: 类别过滤
topk: 返回数量
style: 风格过滤（可选）
style: 风格过滤（可选）- 当提供时，会给对应style的结果加分
style_boost_ratio: 风格加分比例（默认0.1，即10%）
Returns:
检索结果列表，每个元素包含 path, score, style, category 等字段
@@ -220,13 +222,9 @@ def search_similar_vectors(
client = get_milvus_client()
try:
# 构建过滤表达式
# 使用 filter 参数而不是 expr（根据 pymilvus MilvusClient API）
# 如果没有指定style，使用原始逻辑
if not style:
filter_expr = f"category == '{category}' && deprecated == 0"
if style:
filter_expr += f" && style == '{style}'"
# 搜索
results = client.search(
collection_name=MILVUS_COLLECTION_SKETCH_VECTORS,
data=[query_vector.tolist()],
@@ -236,6 +234,43 @@ def search_similar_vectors(
filter=filter_expr,
output_fields=["path", "style", "category", "sys_file_id"]
)
else:
# 有style参数时，使用两阶段搜索策略
# 第一阶段：搜索匹配style的向量，使用boosted query vector
filter_expr_style = f"category == '{category}' && deprecated == 0 && style == '{style}'"
boosted_query = query_vector * (1 + style_boost_ratio)
results_style = client.search(
collection_name=MILVUS_COLLECTION_SKETCH_VECTORS,
data=[boosted_query.tolist()],
anns_field="feature_vector",
search_params={"metric_type": "IP", "params": {"nprobe": 10}},
limit=topk,
filter=filter_expr_style,
output_fields=["path", "style", "category", "sys_file_id"]
)
# 第二阶段：搜索其他style的向量
filter_expr_others = f"category == '{category}' && deprecated == 0 && style != '{style}'"
results_others = client.search(
collection_name=MILVUS_COLLECTION_SKETCH_VECTORS,
data=[query_vector.tolist()],
anns_field="feature_vector",
search_params={"metric_type": "IP", "params": {"nprobe": 10}},
limit=topk,
filter=filter_expr_others,
output_fields=["path", "style", "category", "sys_file_id"]
)
# 合并结果
results = []
if results_style and len(results_style) > 0:
results.extend(results_style[0])
if results_others and len(results_others) > 0:
results.extend(results_others[0])
# 转换为单个结果列表格式
results = [results] if results else []
# 格式化结果
formatted_results = []
@@ -249,7 +284,10 @@ def search_similar_vectors(
"sys_file_id": hit.get("entity", {}).get("sys_file_id")
})
return formatted_results
# 按分数排序并返回topk
formatted_results.sort(key=lambda x: x["score"], reverse=True)
return formatted_results[:topk]
except Exception as e:
logger.error(f"向量检索失败: {e}", exc_info=True)
return []
@@ -280,7 +318,7 @@ def query_random_candidates(category: str, style: Optional[str] = None, limit: i
collection_name=MILVUS_COLLECTION_SKETCH_VECTORS,
filter=filter_expr,
output_fields=["path", "style", "category"],
limit=10000 # 先查询大量数据，然后随机选择
limit=10000
)
# 随机选择

7
app/service/recommendation_system/precompute.py
View File

@@ -6,6 +6,7 @@ import logging
import math
import pymysql
import numpy as np
from datetime import datetime
from typing import List, Dict, Tuple, Optional
from collections import defaultdict
@@ -25,7 +26,7 @@ logger = logging.getLogger(__name__)
def optimize_database_table():
"""
优化 user_preference_log_test 表结构
优化 user_preference 表结构
添加冗余字段和索引
"""
conn = None
@@ -419,8 +420,8 @@ def compute_user_preference_vector(
p_i = 1 + math.log(1 + like_count)
# 综合权重
# w_i = d_k * p_i
w_i = p_i
w_i = d_k * p_i
# w_i = p_i
vectors.append(feature_vector)
weights.append(w_i)