非个性化推荐算法

Gorse 推荐系统提供了一个默认的非个性化推荐算法，即最新推荐。为了提高非个性化推荐的灵活性，Gorse 提供了非个性化推荐算法。

配置

非个性化推荐算法将遍历每个物品及其反馈，使用用户提供的表达式进行过滤和评分。非个性化推荐算法的配置由三个字段组成：

• name 是推荐算法的名称。
• score 是评分函数，用 Expr 表示，要求输出类型为浮点数或整数。物品按降序排列。
• filter 是过滤函数，用 Expr 表示，要求输出类型为布尔值。

提示

如果要按升序对物品进行排序，需要自己添加负号。

在表达式中，item 变量表示当前物品，而 feedback 变量表示当前物品的正反馈。

item 的类型是 Item 结构体，访问字段的语法与 Go 语言一致。例如，item.Timestamp 将返回物品的时间戳。

type Item struct {
    ItemId     string
    IsHidden   bool
    Categories []string
    Timestamp  time.Time
    Labels     any
    Comment    string
}

feedback 的类型是 []Feedback，即 Feedback 的切片。访问数组的语法与 Go 语言一致。例如，feedback[0].FeedbackKey.FeedbackType 将返回第一个正反馈的反馈类型。

type Feedback struct {
    FeedbackType string
    UserId       string
    ItemId       string
    Timestamp   time.Time
    Comment     string
}

Expr 提供了许多内置函数，足以编写更复杂的计算逻辑。除了处理单个变量的内置函数（如数学运算符、比较运算符、逻辑运算符等）外，它还提供了许多与数组相关的内置函数。要了解有关语法的更多信息，请访问 Expr 的官方文档。

API

您可以通过以下 API 访问非个性化推荐：

curl http://localhost:8087/api/non-personalized/<name>

示例

最新物品

您可以直接使用时间戳对最新物品进行排序。

[[recommend.non-personalized]]
name = "latest"
score = "item.Timestamp.Unix()"

由于 item.Timestamp 是 time.Time 结构体，不能直接用于排序，因此需要调用 Unix() 方法将其转换为 int64 类型。

过去一周内最受欢迎的物品

使用过滤器排除一周前的物品，并计算点赞数作为排序分数。

[[recommend.non-personalized]]
name = "most_liked_weekly"
score = "count(feedback, .FeedbackType == 'like')"
filter = "(now() - item.Timestamp).Hours() < 24 * 7"

count 函数将计算反馈切片的长度，第二个参数表示仅在反馈类型为 'like' 时计数。now() 函数获取当前时间，减去物品时间，并要求小时数在一周内（24*7 小时）。

Hacker News

据说 Hacker News 使用以下公式计算内容排名的分数：

$$\frac{p-1}{(T+2)^G}$$

其中 $p$ 是内容的赞成票数，$T$ 是从发布到分数计算的时间，$G$ 是用于控制内容流行度随时间衰减速率的重力值。如果将 $G$ 设置为 0.5，则可以添加以下配置项：

[[recommend.non-personalized]]
name = "trending"
score = "(count(feedback, .FeedbackType == 'upvote')-1)/((now() - item.Timestamp).Seconds()+2)^0.5"