mindfulness/设计说明文档/個性化推薦算法規則.md

正念 APP｜三種分發場景推薦算法方案（Feed / Push / Widget · V1）

目標： 針對三種分發方式（Feed、App Push、Widget 每日一句）制定一套一致但可調參的推薦流程。

共用基礎：

• 用戶畫像：U（mom_stage one-hot；emotion/context/need 允许缺失/跳过；含 profile_confidence/profile_answered）
• 文案畫像：Cᵢ（stage、emotion_score、context/need suitability、personalization_power、risk_flags；建議含 content_id/author_id/template_id/review_confidence）
• 推薦骨架：Hard Filter → Soft Scoring → Rerank（多樣性/新鮮度/疲勞）

---

一、先說整體流程與思路（適用三種場景）

1) 核心理念：同一個用戶同一天需要「不同強度」的個性化

• Push：最容易翻車 → 高精準 + 低風險（Precision-first）
• Widget：每天唯一一句 → 穩定、代表性、可長期持續（Consistency-first）
• Feed：可上下滑探索 → 可試探、可擴展、多樣性（Exploration-first）

2) 共用三段式 Pipeline

1. Candidate Generation（候選集生成）

   • 依 U 取一個「候選池」：匹配 need/context/stage 的內容 + 一部分通用內容
   • V1.2：若問卷允許跳過導致 U.need/U.context/U.emotion_score 缺失，候選池需自動提高通用安全內容占比，并视为至少进入 L1（限制 personalization_power≤0.5）

2. Hard Filter（硬性過濾）

   • 依 risk_flags 與產品規則剔除高風險內容

3. Soft Scoring（軟性打分）

   • 用加權模型計算核心匹配分

4. Rerank（重排）

   • 去重、作者/模板多樣性、頻控、時間衰減

5. Serve（分發）

   • 依場景不同策略選 TopK 或組成序列

3) 工程必備：候選不足回退策略 + 可觀測指標（V1.1）

3.1 候選不足回退（Fallback Ladder）

目的：避免「過濾/頻控後候選為空」導致體驗斷崖；同時在回退時自動降個性化與降風險（尤其 Push）。

共用定義：

• fallback_level：從 0 開始遞增（0=不回退）
• 回退原則：先放寬匹配，再放寬探索，再回退到通用安全池；同時限制 personalization_power 上限

建議梯度（可按場景調整）：

• L0（正常）：按原候選配比取候選
• L1（放寬匹配）：need/context 由 1 → ≥0.5；personalization_power 上限降為 ≤0.5
• L2（回退通用池）：加入更多 general/低風險句；personalization_power 上限降為 0
• L3（兜底）：僅從「通用安全句庫」抽取（需單獨維護白名單/安全池）

每次請求需輸出最終使用的 fallback_level（用於分析覆蓋率與風險）。

3.2 可觀測指標（必打點）

每次生成推薦（Feed Session / 每次 Push / 每日 Widget）至少打點：

• candidate_pool_size_raw：初始候選池大小
• candidate_pool_size_after_hard_filter
• candidate_pool_size_after_dedup
• candidate_pool_size_after_freqcap
• fallback_level_final
• served_k：實際下發條數
• empty_reason：若 served_k=0，記錄原因（如 hard_filter_all / freqcap_all / pool_empty / unknown）

核心監控衍生指標（報表層計算）：

• 覆蓋率：served_k > 0 的比例（按場景分開）
• 回退率：fallback_level_final > 0 的比例
• 頻控後候選數分布：candidate_pool_size_after_freqcap 的 P50/P90/P99

---

二、總分結構（Score Decomposition）

對任意文案 Cᵢ：

[ \textbf{final_score}(U,Cᵢ) = \mathbb{I}[\text{pass filters}] \times \Big( S_{core} + S_{personal} + S_{fresh} - P_{fatigue} - P_{repeat} - P_{risk} - P_{uncertainty} \Big) ]

其中

[ S_{core} = w_{need}S_{need} + w_{emotion}S_{emotion} + w_{stage}S_{stage} + w_{context}S_{context} ]

• S_need = Cᵢ.need_suitability[U.need]（若 U.need 缺失，见 V1.2）
• S_context = Cᵢ.context_suitability[U.context]（若 U.context 缺失，见 V1.2）
• S_stage：general=1；命中=1；unknown對非unknown=0.7；其餘=0
• S_emotion：若文案 general→0.8；否則 1-|U.emotion_score-Cᵢ.emotion_score|（若 U.emotion_score 缺失，见 V1.2）

V1.2：当问卷允许跳过题目时的打分约定（工程必读）

目标：用户画像字段不全时仍能产出排序；并在不确定时自动降个性化/降风险。

判定缺失：

• U.need 为空对象 {} 或不存在 → 视为缺失
• U.context 为空对象 {} 或不存在 → 视为缺失
• U.emotion_score 为 null/不存在 → 视为缺失

缺失时的保守计算：

• S_need：
  • 若 U.need 缺失 → S_need = 0.5
  • 否则 → S_need = Cᵢ.need_suitability[U.need]
• S_context：
  • 若 U.context 缺失 → S_context = 0.5
  • 否则 → S_context = Cᵢ.context_suitability[U.context]
• S_emotion：
  • 若 U.emotion_score 缺失 → S_emotion = 0.8
  • 否则按原定义计算（文案 general 仍为 0.8）

额外约束（与回退梯度一致，6A）：

• 若 conf_U 偏低或字段缺失明显：必须启用 P_uncertainty
• 若进入回退梯度（fallback_level_final>0）：按 L1/L2/L3 限制 personalization_power 上限（见 3.1）

個性化加成： [ S_{personal} = \alpha \cdot Cᵢ.personalization_power \cdot \max(S_{need}, S_{context}) ]

不確定性懲罰（Push 建議啟用）： [ P_{uncertainty} = \beta \cdot (1-\text{conf}U) \cdot (1-\text{conf}{Cᵢ}) \cdot Cᵢ.personalization_power ]

說明：

• conf_U：用戶畫像置信度（建議由問卷生成後隨時間衰減；見「用戶畫像」文件 V1.1）
• conf_{Cᵢ}：內容標註置信度（Cᵢ.review_confidence；缺省可給 0.7）
• P_{uncertainty} 可併入 P_risk（工程上更簡單），但需保留獨立打點便於調參

---

三、Hard Filter（共用禁推規則）

3.1 risk_flags（內容自帶）

V1.1 起，risk_flags 命名/語義以「句子文案打分規則」為準（unsafe_for_* / block_* / soft_*）。

• U.stage.unknown=1 → 禁推 unsafe_for_stage_unknown
• U.stage.parenting=1 → 禁推 unsafe_for_stage_parenting
• U.emotion_score≤0.2 → 禁推 unsafe_for_emotion_low
• Cᵢ.risk_flags 含 block_health_medical → 全场景禁推（Hard Filter）（仅挡「医疗/诊断/严重暗示」）

soft_health_sensitive 不做 Hard Filter，改由 Soft Penalty（見 Push 的 P_risk）

3.2 產品規則（跨維度）

• U.stage.unknown=1 且 Cᵢ.need_suitability[parenting_pressure]=1 且 Cᵢ.personalization_power=1 → 禁推

---

四、Feed 模式（App 內上下滑）— Exploration-first

4.1 目標

• 讓用戶快速感到「被理解」
• 同時探索更多題材，避免內容疲乏
• 允許一定程度的試探（比 Push 寬鬆）

4.2 流程（Feed Session）

1. 建候選池（大）

   • 60%：匹配 need/context 的內容（含 personalization_power=0.5/1）
   • 30%：通用內容（general）
   • 10%：探索內容（與 context/need 邊緣相關）

2. Hard Filter（仍嚴格）

3. Soft Scoring（偏多樣性）

4. Rerank：用 MMR 做序列

4.3 Feed 打分權重（建議）

• w_need=0.35, w_emotion=0.20, w_stage=0.15, w_context=0.30

Feed 更重視「語境共鳴」與內容多樣性，所以 context 權重上調。

4.4 Feed 序列重排（MMR）

• Top1：最高分（確保第一眼命中）
• 後續：在高分候選中，最大化與已選內容的差異（作者/模板/need/context）

4.5 Feed 的 MMR 定義（工程側定義，V1.1）

選擇第 t 個內容：

[ \text{MMR}(c)=\lambda \cdot \text{Rel}(c) - (1-\lambda)\cdot \max_{s \in S_{t-1}} \text{Sim}(c,s) ]

建議預設：λ = 0.7（更偏相關性，仍保留多樣性）

• Rel(c)：使用 final_score(U,c)（或 Soft Scoring 後的分數）
• Sim(c,s)：相似度定義（無 embedding 也可落地）

相似度（離散特徵版，推薦 V1 上線）：

• 若 content_id 相同 → Sim=1
• 若 template_id 相同且非空 → Sim += 0.6
• 若 author_id 相同且非空 → Sim += 0.3
• need/context/stage 標籤重合（Jaccard）→ Sim += 0.1 * Jaccard(tags_c, tags_s)
• 最終 Sim clamp 到 [0,1]

字段依賴與回退：

• 缺 template_id/author_id 時，只用 tags 相似度（Sim 仍可算）
• 若後續引入文本 embedding，可將 embedding cosine 加權合併（V2）

---

五、App Push（可設定 0–5 次）— Precision & Safety-first

5.1 目標

• Push 是「打擾」：錯一次就掉留存
• 追求「準、溫柔、少翻車」

5.2 流程（每次 Push）

1. 候選池（小而精）

   • 70%：need 命中（S_need=1）的內容
   • 20%：emotion 命中（距離小）的內容
   • 10%：通用安全句（general + 低風險）

2. Hard Filter（最嚴格）

3. Soft Scoring（偏 need + emotion）

4. 冷卻與頻控（必做）

   • 同一句/同作者/同模板至少 X 天不重複

5. 發送

Push 追加規則（V1.1）：若 fallback_level_final > 0 或 conf_U 偏低，需自動「降個性化」：

• personalization_power 上限降為 ≤0.5（L1）或 0（L2/L3）
• 若候選不足，優先回退到「通用安全句庫」，而不是擴大高個性化內容

V1.2（支持问卷跳过）补充：

• 若 profile_answered.need=false 或 U.need 缺失：不得按“need 强命中”召回，候选池应提高通用安全句占比，并至少按 L1 降个性化
• 若 profile_answered.emotion=false 或 U.emotion_score 缺失：Push 应偏向 Cᵢ.emotion_score 为 general 或 0.4–0.8 的稳定内容，并启用 P_uncertainty

5.3 Push 打分權重（建議）

• w_need=0.45, w_emotion=0.35, w_stage=0.15, w_context=0.05

Push 更在乎「此刻需要」與「語氣安全」。context 權重降低。

5.4 Push 風險懲罰（P_risk）

• 若 Cᵢ.personalization_power=1 且 S_need<1 且 S_context<1 → 額外扣分
• 若 content 涉及健康敏感（soft_health_sensitive）→ 扣分（Soft Penalty，不做禁推）
• 不確定性懲罰：P_uncertainty（或併入 P_risk），用於在 conf_U/conf_C 偏低時自動降權高個性化內容

5.5 0–5 次推送的排程策略

• 使用者設定次數 N：

  • 第 1 條：need 命中 + 安全
  • 第 2 條：emotion 修復
  • 第 3 條：self-worth / rest_balance（視 need 而定）
  • 第 4–5 條：通用句補位，避免疲勞

---

六、Widget（每日一句）— Consistency & Brand-first

6.1 目標

• Widget 是「代表你這個 App 的一句話」
• 需要：穩定、可持續、低風險、避免太私密

6.2 流程（每日生成）

1. 候選池：以 general + personalization_power≤0.5 為主
2. Hard Filter（嚴格）
3. Soft Scoring：偏 stage 安全 + emotion 中性/平靜
4. 跨日多樣性：7 日內不重複作者/模板/同一句

若候選不足：同樣走回退梯度（優先增加 general 安全句；不提高個性化力度）。

6.3 Widget 打分權重（建議）

• w_need=0.25, w_emotion=0.25, w_stage=0.30, w_context=0.20

Widget 需要「身份語境安全」與「普適」，stage 權重更高。

6.4 Widget 的情緒區間約束

• 建議限制 Cᵢ.emotion_score 在 0.4–0.8（tired→calm）

  • 避免太低（沉重）
  • 避免太高（過嗨）

---

七、場景差異總結（快速對照）

場景	目標	候選池	風險容忍	權重重點	序列策略
Feed	探索+共鳴	大	中	context↑、diversity↑	MMR 序列
Push	準+安全	小	低	need↑、emotion↑	頻控+冷卻
Widget	穩+代表性	中小	低	stage↑、emotion中性	跨日多樣性

---

八、（後段解釋預告）提及的算法/概念

• Candidate Generation（混合召回：命中 + 通用 + 探索）
• Hard Filter（規則引擎）
• Linear Weighted Scoring（加權線性模型）
• MMR（Maximal Marginal Relevance，多樣性重排）
• Time Decay（時間衰減）
• Frequency Capping（頻控）
• Cooldown Keys（去重鍵：句子/作者/模板）

工程側去重鍵定義（V1.1）：

• sentence_key = content_id（若無 content_id，需生成 stable hash，但建議補 content_id）
• author_key = author_id（可空）
• template_key = template_id（可空）

冷卻/頻控同時支持三層 key，避免只靠單一 key 造成過度重複或過度稀釋。

---

九、V1 可直接上線的預設參數

• Feed：Top1 命中 + MMR 序列 30 條
• Push：每次 Top1；冷卻 7 天不重複作者，14 天不重複同句
• Widget：emotion_score 限制 0.4–0.8；7 日不重複作者/模板

V1.1 補充（工程預設）：

• Feed：MMR λ=0.7
• Push：啟用 P_uncertainty（或併入 P_risk）；fallback_level>=1 時 personalization_power 上限降為 ≤0.5
• Health：block_health_medical 全场景 Hard Filter；soft_health_sensitive 走 Soft Penalty

一句話： 同一套 U×Cᵢ 打分，按場景調候選池、權重與重排約束。