`videoContentList` 推荐列表排序逻辑

接口：POST /contentPlatform/plan/videoContentList 入口：ContentPlatformPlanServiceImpl.getVideoContentList 数据源：content_platform_demand_video（先验/后验/先验-场景）+ content_platform_video（全局热门）

适用：当前分支 cooperation_video_candidate_pool_improved_lld_0509（含 commit 2860bdce）。

1. 入参 → 路径分发

title 非空  ───────────►  全站搜索 (getVideoContentListByTitle)
source=prior  ───────────►  单源「粉丝喜欢」(getSingleSourcePage / prior)
source=posterior  ───────►  单源「已发优质相似」(getSingleSourcePage / posterior)
source=hot   ───────────►  单源「全局热门」(getHotSourcePaged)
source 空（默认）  ──────►  四路随机穿插 (getInterleavedPage)

当前前端：prior 和 posterior 两个 tab 已 disabled（提示"功能正在完善中"），生产实际只走「全部」（四路穿插）和「全局热门」单源。

2. 关键常量

常量	值	含义
`DEMAND_CANDIDATE_LIMIT`	10000	每个 demand 池最大候选条数
`HOT_CANDIDATE_LIMIT`	10000	hot 池候选条数
`TOP_K_PER_DEMAND`	3	demand 池组内取前 K
`DEMAND_STRATEGY_PRIOR`	`"先验需求"`	先验池过滤值
`DEMAND_STRATEGY_PRIOR_SCENE`	`"先验需求-场景"`	场景池过滤值
`DEMAND_STRATEGY_POSTERIOR`	`"后验需求"`	后验池过滤值
`PRIOR_PREMIUM_DIMENSION`	`"传播的头部"`	先验池 dimension 强过滤
`PRIOR_GROUP_KEEP_RATIO`	`0.5`	先验池"特征组"按 total_rov 分位保留比例
`POSTERIOR_FILTER_ABS_LIKE`	`"绝对高效率%"`	后验池 A 段 `demand_filter_sort_strategy` LIKE
`POSTERIOR_FILTER_REL_LIKE`	`"相对裂变率%"`	后验池 B 段 `demand_filter_sort_strategy` LIKE
`POSTERIOR_DRIVE_DIMENSION_TIME`	`"昨日"`	后验池强制 `drive_dimension_time`

公共强过滤（所有 demand 池 SQL）：dt = max(dt) AND status = 1 AND crowd_segment = user.channel。

3. 四个候选池的构造顺序

3.1 `fetchPriorSceneCandidates`（场景池）

目的：用户所属 channel 在"场景"维度命中的先验，按视频近 7 日表现（rov）排序。

SELECT ... FROM content_platform_demand_video
WHERE dt=:maxDt AND status=1
  AND crowd_segment=:userChannel
  AND demand_strategy='先验需求-场景'
  AND channel_level3=:ghName        -- 若传入
ORDER BY total_rov DESC, score DESC
LIMIT 10000

退化：如果 ghName 非空但查 0 条，去掉 ghName 再查一次（拿全渠道兜底）。

后处理（顺序）：

同 videoId 去重，保留首次出现（SQL 已按 total_rov DESC, score DESC 排序 → 首次 = 该视频的"最强代表需求"行）
过滤 rov 为 null 或 ≤0 的视频
重排序：rov DESC 主键，total_rov DESC 次级 tiebreaker

输出顺序：视频按 rov（近 7 日表现）DESC；同 rov 时按代表需求的 total_rov DESC。

设计动机：场景需求里同一视频会对应多个特征点，但前端只下发一条；用 total_rov 选"最强代表需求"，再以视频自身的 rov 决定整体排序，避免按需求维度排序导致同 dimension/标准要素的视频在列表里扎堆。

3.2 `fetchPriorCandidates`（先验池）

目的：先验需求里,只取 dimension='传播的头部' 维度,并按 channel 内"特征需求强度"分位裁掉弱题材。

单段查询：

SELECT ... WHERE ... AND demand_strategy='先验需求' AND dimension='传播的头部' ...
ORDER BY total_rov DESC, score DESC LIMIT 30000

退化：查询为空且 ghName 非空 → 去 ghName 重查。

[新] 特征组分位裁剪 (retainTopGroupsByTotalRov,keepRatio=0.5)：

按 (point_type, standard_element) 分组,取每组 max(total_rov)(即该特征的人群需求强度)
按组 total_rov DESC 排,保留 top ⌈N×50%⌉ 个特征组
各渠道 total_rov 分布差异大(cdjh 0.003~0.057,xycsd17 0.014~0.037),用分位避免绝对阈值伤弱渠道

设计动机:total_rov 在 prior 池 = 群体对(point_type, standard_element)特征的需求强度。低 total_rov 说明群体不爱这个题材,把对应视频堆在列表底部没意义,直接剪掉。

进 groupAndTopK：

分组键：(point_type, standard_element)
过滤 rov <= 0 或 null（近 7 日无表现）
不做 selfTitle 过滤
组排序：组内最大 total_rov DESC
组内排序：score DESC，组内 videoId 去重，每组最多 3 条

最后按 limit=10000 截断。

最终顺序：保留 top 50% 特征组内,组按总 ROV,组内按 score。

3.3 `fetchPosteriorCandidates`（后验池）

目的：后验需求里，"昨日"驱动的"绝对高效率"先出，再出"相对裂变率"。

A、B 两段独立查询：

-- A 段: demand_filter_sort_strategy LIKE '绝对高效率%'
SELECT ... WHERE ... AND demand_strategy='后验需求'
  AND demand_filter_sort_strategy LIKE '绝对高效率%'
  AND drive_dimension_time='昨日'
  AND (title IS NULL OR demand_content_title IS NULL OR title <> demand_content_title)
ORDER BY total_rov DESC, score DESC LIMIT 30000

-- B 段: demand_filter_sort_strategy LIKE '相对裂变率%'
SELECT ... AND demand_filter_sort_strategy LIKE '相对裂变率%' AND drive_dimension_time='昨日' ...

退化：A、B 都空且 ghName 非空 → 去 ghName 重查（drive_dimension_time='昨日' 仍保留）。

每段进 groupAndTopK：

分组键：demand_content_id
过滤 rov <= 0 或 null
过滤 excludeSelfTitle=true → 用 TitleNormalizer.isSelfTitle 跳过自标题
组排序：组内最大 total_rov DESC
组内排序：score DESC，去重，每组最多 3 条

A 段 + B 段顺序拼接 → 跨段 videoId 去重 → 截 10000。

最终顺序：A 段(绝对高效率) 在前；段内组按总 ROV，组内按 score。

3.4 `fetchHotCandidates`（热门池）

复用现有 planMapperExt.getVideoList(...)：

dt = videoMaxDt，datastatDt = videoDatastatMaxDt
sort/type/channel/strategy 由请求和 param.getSort() 派生
一次性查前 10000 条，未分组、未二次过滤
顺序由 SQL 决定（一般是 fission_rate DESC 或 score DESC）

4. 「全部」模式：四路随机穿插（`getInterleavedPage`）

priorScene → 标 source='prior'
prior      → 标 source='prior'
posterior  → 标 source='posterior'
hot        → 标 source='hot'

priorScene 和 prior 对外都是 source='prior'（前端"粉丝喜欢"统一标签）；浮层细节通过 demandStrategy 字段区分场景。

算法

维护 4 个池的 pointer[i] 和 exhausted[i]，以及全局 emittedIds + emittedTitles。
种子：seed = userId ^ LocalDate.now().toString().hashCode()
- 同一用户同一天翻页/刷新得到的顺序一致
- 跨天/跨用户顺序变化
循环直到 4 池全空：
1. 在未耗尽池中等概率随机选一个
2. 跳过该池里 video_id 已发 或 标题(归一化后)已发 的候选（shouldSkipForDedup）
3. 取出第一条未发的，加入 merged、记入 emittedIds 和 emittedTitles
4. 若该池指针越界，标为 exhausted
paginateCandidates：totalSize = merged.size()，按 pageNum/pageSize 内存切片返回。

标题去重用 TitleNormalizer.normalize(去 emoji/空白/全半角),应对运营把同段内容重复上传成多个 video_id(如 🔴她走了，台湾再无洪秀柱！ 对应 67396144 / 67812469 两条)。单源 source=prior 模式的 interleavePriorWithScene 也用同一套(video_id + 标题)去重。

时间复杂度

每池 1 次 DB Query
主循环 O(总池容量)，每个池最大 10000 → 上界约 4 万次操作
单页响应 = 1 次 maxDt + 4 次 SELECT + 内存穿插

排序稳定性

同一用户同一天，所有分页之间顺序一致
priorScene / prior / posterior 内部相对顺序保留（场景按视频 rov；先验/后验按组 total_rov + 组内 score），随机只影响"哪一池先出"

5. 「粉丝喜欢」单源（`source=prior`）

scene = fetchPriorSceneCandidates(...)
prior = fetchPriorCandidates(...)
list  = interleavePriorWithScene(scene, prior)  // 严格 1:1

interleavePriorWithScene：

单次循环：先从 scene 取一条未发的 → 再从 prior 取一条未发的，严格 1:1 交替
用 seen<videoId> 跨池去重，场景优先（先到先得）
一侧用完后，另一侧剩余按原顺序追加

每条 VO 设 source='prior'，然后 paginateCandidates 切片。

6. 「已发优质相似」单源（`source=posterior`）

list = fetchPosteriorCandidates(...)   // 顺序 = 绝对高效率段 → 相对裂变率段

每条 VO 设 source='posterior'，paginateCandidates 切片。

7. 「全局热门」单源（`source=hot`）

不走候选池：复用原 planMapperExt.getVideoCount + getVideoList 真分页链路，DB 端 LIMIT/OFFSET。VO source='hot'。

8. 字段全景：每条 VO 必有 `source` 字段

`source`	含义	数据来源	浮层 demand 字段
`prior`	粉丝喜欢（场景 + 先验头部 + 先验其他）	`content_platform_demand_video`	有完整字段，可看 `demandStrategy` 区分
`posterior`	已发优质相似	`content_platform_demand_video`	有完整字段
`hot`	全局热门	`content_platform_video`	只有基础字段（demand 相关字段为空）

9. 一图总览

        ┌────────────────────────────────────────────────────────┐
        │ 1. 拉 4 个候选池 (每个池都自己分阶段、分组、去重、排序) │
        └────────────────────────────────────────────────────────┘
                              │
   ┌───────────────────────┬──┴──┬─────────────────────────────┐
   ▼                       ▼     ▼                             ▼
priorScene(10000)    prior(10000)  posterior(10000)         hot(10000)
  视频维度 rov DESC   传播头部       A: 绝对高效率 + 昨日       SQL 默认
  (代表需求 total_rov 选最大)        B: 相对裂变率 + 昨日       (sort 决定)
                     组(point_type, standard_element) top3
                     组(demand_content_id) top3
                              │
                              ▼
        ┌────────────────────────────────────────────────────────┐
        │ 2. 四路随机穿插                                          │
        │   - 种子 = userId ^ 今天                                  │
        │   - 跨池 videoId 去重                                     │
        │   - 池内顺序保留                                          │
        └────────────────────────────────────────────────────────┘
                              │
                              ▼
        ┌────────────────────────────────────────────────────────┐
        │ 3. paginateCandidates                                  │
        │   totalSize = 全量, 按 pageNum/pageSize 切片            │
        └────────────────────────────────────────────────────────┘

10. 关键代码位置

内容	位置
主入口路由	`ContentPlatformPlanServiceImpl.java:626`
单源分页	`ContentPlatformPlanServiceImpl.java:649`
单源 hot	`ContentPlatformPlanServiceImpl.java:698`
四路穿插	`ContentPlatformPlanServiceImpl.java:743`
场景池 fetcher	`ContentPlatformPlanServiceImpl.java:812`
先验池 fetcher	`ContentPlatformPlanServiceImpl.java:840`
后验池 fetcher	`ContentPlatformPlanServiceImpl.java:875`
`groupAndTopK` 通用排序	`ContentPlatformPlanServiceImpl.java:912`
段间拼接 + 去重	`ContentPlatformPlanServiceImpl.java:956`
热门池 fetcher	`ContentPlatformPlanServiceImpl.java:976`
Mapper SQL	`mapper/contentplatform/ext/ContentPlatformDemandVideoMapperExt.xml` (selectForRecommend)

recommend-ordering.md 13 KB History Raw

videoContentList 推荐列表排序逻辑

1. 入参 → 路径分发

2. 关键常量

3. 四个候选池的构造顺序

3.1 fetchPriorSceneCandidates（场景池）

3.2 fetchPriorCandidates（先验池）

3.3 fetchPosteriorCandidates（后验池）

3.4 fetchHotCandidates（热门池）

4. 「全部」模式：四路随机穿插（getInterleavedPage）

算法