kairee
aa9aa7c589
reaction 词表用 re|reaction|反应 但须与咻咻满或充电同现，兼容 reactio/reation 等拼写又避免通用词加分；负向改为每词 -2 且命中多条额外叠加（k*(k-1)），日期 -4；纯享（误伤纯享受）移出负向，转场移出正向。库内 796 条有效视频复测：线以下由 14 降至 8。
144 lines
5.0 KiB
Python
144 lines
5.0 KiB
Python
# -*- coding: utf-8 -*-
|
||
"""候选分类与时长解析。
|
||
|
||
规则见 project.md §3.3：分类只决定“是否通知”，不决定是否入库。
|
||
"""
|
||
|
||
from __future__ import annotations
|
||
|
||
import re
|
||
import unicodedata
|
||
from typing import Any, Mapping
|
||
|
||
_TAG_RE = re.compile(r"<[^>]+>")
|
||
|
||
|
||
def normalize_title(text: str) -> str:
|
||
"""全半角归一化并转小写，便于标题关键词匹配。"""
|
||
return unicodedata.normalize("NFKC", text or "").lower()
|
||
|
||
|
||
def clean_title(text: str) -> str:
|
||
"""去掉搜索结果里的 ``<em class="keyword">`` 高亮标签。"""
|
||
return _TAG_RE.sub("", text or "").strip()
|
||
|
||
|
||
def parse_duration(value: Any) -> int:
|
||
"""解析 B 站搜索结果时长。
|
||
|
||
支持 ``105:5``（分钟:秒）、``1:02:03``（时:分:秒）和整数秒。
|
||
"""
|
||
if isinstance(value, bool):
|
||
return 0
|
||
if isinstance(value, int):
|
||
return max(0, value)
|
||
if not isinstance(value, str):
|
||
return 0
|
||
parts = value.strip().split(":")
|
||
if not parts or any(not part.isdigit() for part in parts):
|
||
return 0
|
||
numbers = [int(part) for part in parts]
|
||
if len(numbers) == 1:
|
||
return numbers[0]
|
||
if len(numbers) == 2:
|
||
return numbers[0] * 60 + numbers[1]
|
||
if len(numbers) == 3:
|
||
return numbers[0] * 3600 + numbers[1] * 60 + numbers[2]
|
||
return 0
|
||
|
||
|
||
def matched_words(title: str, words: Any) -> list[str]:
|
||
"""返回标题命中（归一化子串）的词，保持 ``words`` 顺序、跳过空词。"""
|
||
normalized = normalize_title(title)
|
||
if not isinstance(words, (list, tuple)):
|
||
return []
|
||
return [str(word) for word in words if word and normalize_title(str(word)) in normalized]
|
||
|
||
|
||
def contains_any(title: str, words: Any) -> bool:
|
||
return bool(matched_words(title, words))
|
||
|
||
|
||
def passes_required_title(title: str, require_title: str) -> bool:
|
||
if not require_title:
|
||
return True
|
||
return normalize_title(require_title) in normalize_title(title)
|
||
|
||
|
||
# 标题带日期通常意味着录播/回放/录像（按具体某场直播命名），作为强负向信号。
|
||
# 覆盖 `2026-10-28` / `2026/10/25` / `2026.10.26` / `2024年11月24日` / `10月25日`。
|
||
_DATE_PATTERNS = (
|
||
r"\d{4}\s*[-/.]\s*\d{1,2}\s*[-/.]\s*\d{1,2}",
|
||
r"\d{4}\s*年\s*\d{1,2}\s*月(?:\s*\d{1,2}\s*日)?",
|
||
r"\d{1,2}\s*月\s*\d{1,2}\s*日",
|
||
)
|
||
_DATE_RE = re.compile("|".join(_DATE_PATTERNS))
|
||
|
||
# 负向权重（见 project.md §3.3）：每个负向词 -2，命中多条额外叠加；日期单独 -4。
|
||
NEGATIVE_PER_WORD = 2
|
||
DATE_SCORE = 4
|
||
SELF_SCORE = 3
|
||
|
||
|
||
def date_hits(title: str) -> list[str]:
|
||
"""返回标题中的日期片段，用于判定「带日期≈录播/回放」。"""
|
||
return _DATE_RE.findall(title or "")
|
||
|
||
|
||
def score_item(
|
||
*,
|
||
title: str,
|
||
up_mid: int | None,
|
||
duration_seconds: int,
|
||
classify: Mapping[str, Any],
|
||
) -> int:
|
||
"""按 project.md §3.3 计算候选分数。
|
||
|
||
正向按**命中次数**超线性加权：每命中一个正向词（``require_title`` / ``reaction``
|
||
/ ``charge`` / ``weak_positive``）记 1 次，正向得分 = 命中次数²（1→1、2→4、
|
||
3→9……），使多信号同现的真 reaction 不会被单个负向词打穿（1+1>2、1+1+1>5）。
|
||
|
||
``reaction`` 词表含 ``re`` 这类通用子串（用于兼容 reaction/reactio/reation 等
|
||
拼写），因此必须与 ``require_title`` 或 ``充电`` 同现才计一次命中。标题不含
|
||
``require_title`` 直接 0 分；时长只在此基础上已有命中时加权。
|
||
|
||
负向按命中词数递减：每个词 -2，命中 2 个额外 -2、3 个额外 -6（k*(k-1)），
|
||
带日期再 -4。
|
||
"""
|
||
require_title = str(classify.get("require_title") or "")
|
||
if require_title and not passes_required_title(title, require_title):
|
||
return 0
|
||
|
||
# reaction 类通用词必须与 require_title 或 "充电" 同现才算命中（避免通用词加分）。
|
||
reaction_gate = passes_required_title(title, require_title) or contains_any(title, ["充电"])
|
||
reaction_hit = 1 if (matched_words(title, classify.get("reaction")) and reaction_gate) else 0
|
||
|
||
hits = 0
|
||
if require_title:
|
||
hits += 1
|
||
hits += reaction_hit
|
||
hits += len(matched_words(title, classify.get("charge")))
|
||
hits += len(matched_words(title, classify.get("weak_positive")))
|
||
|
||
score = hits * hits
|
||
|
||
if hits:
|
||
boost = classify.get("duration_boost") or {}
|
||
gt_60 = int(boost.get("gt_60min", 2))
|
||
gt_30 = int(boost.get("gt_30min", 1))
|
||
if duration_seconds > 60 * 60:
|
||
score += gt_60
|
||
elif duration_seconds > 30 * 60:
|
||
score += gt_30
|
||
|
||
neg_words = matched_words(title, classify.get("negative"))
|
||
k = len(neg_words)
|
||
if k:
|
||
score -= NEGATIVE_PER_WORD * k
|
||
score -= k * (k - 1) # 命中 2 个额外 -2、3 个额外 -6、4 个额外 -12
|
||
if classify.get("date_negative", True) and date_hits(title):
|
||
score -= DATE_SCORE
|
||
if up_mid is not None and int(up_mid) == int(classify.get("self_mid", 37754047)):
|
||
score -= SELF_SCORE
|
||
return score
|