Heavy Ranker (Phoenix)

核心打分模型

Heavy Ranker (Phoenix) 是 “For You” Feed 流的核心打分模型，负责通过预测用户互动的概率来对候选推文进行排序。它用纯深度学习方法取代了传统的基于启发式的排序。

模型架构

该模型是从 xAI 的 System Architecture 移植而来的 基于 Grok 的 Transformer。

• 基础模型: 修改版的 Grok-1 Transformer。
• 输入序列: [User Context, History Items, Candidate Items]
• Embedding 策略: 使用基于哈希的 Embedding（每个用户/项目 2 个哈希），以处理海量的用户和推文词汇表，而无需巨大的 Embedding 表。

候选隔离 (Candidate Isolation)

这是该模型最关键的架构创新。在标准的 Transformer 中，序列中的所有 Token 通常都可以互相“看见”（Self-Attention）。但在推荐排序中，候选推文 A 的得分不应该受到候选推文 B 是否存在的影响。

Phoenix 通过 Masked Attention 实现了这一点：

Attention Mask (谁可以看谁):
- User/History  ---> 可以看 ---> User/History (全双向注意力)
- Candidates    ---> 可以看 ---> User/History (获取用户兴趣上下文)
- Candidates    ---> 不能看 ---> Other Candidates (互相隔离)
- Candidates    ---> 可以看 ---> Self (自身特征)

代码体现: 在 phoenix/README.md 中有详细的可视化矩阵描述。这种设计使得模型可以一次性对 Batch 中的所有候选推文进行打分，同时保持每个推文打分的独立性。

输入 (Inputs)

模型接受结合了用户上下文和候选推文的 Batch 数据 (RecsysBatch)：

1. 用户上下文 (User Context):
   • 用户历史: 用户最近互动的序列 (history_post_hashes, history_actions)。
   • 用户 Embeddings: 用户 ID 的哈希表示 (user_hashes)。
2. 候选集 (Candidates):
   • 待排序的候选推文列表 (candidate_post_hashes)。
   • 包含作者 Embeddings (candidate_author_embeddings)。
   • 包含上下文特征（例如 product_surface，即推文是在哪里发布的）。

block_candidate_reduce 函数: 模型使用 block_candidate_reduce 函数将分散的特征（推文 ID、作者 ID、上下文特征）通过投影矩阵（Projection Matrix）压缩成单一的 Dense Embedding，作为 Transformer 的输入 Token。

输出 (Outputs)

模型为每个候选推文输出特定互动行为的概率分布。这些原始概率输入到 Scoring Logic 中以计算最终权重。

互动概率 (Engagement Probabilities)

PhoenixScorer 提取以下具体预测值：

• 正向信号: favorite_score (点赞), reply_score (回复), retweet_score (转推), share_score (分享), click_score (点击), dwell_time (停留).
• 负向信号: not_interested_score (不感兴趣), block_author_score (拉黑作者), mute_author_score (静音作者), report_score (举报).
• 客户端行为: photo_expand_score (图片展开), profile_click_score (头像点击).

关键类/函数名称

Python (模型定义)

• PhoenixModel: 包装 Transformer 的主要 JAX/Haiku 模块。
• RecsysBatch: 定义输入张量（Hashes, Actions, Surfaces）的 NamedTuple。
• RecsysEmbeddings: 预查找 Embedding 表的容器。
• block_candidate_reduce: 将候选特征（推文、作者）组合成单个序列 Embedding 的函数。

Rust (打分实现)

• PhoenixScorer: 在 Home Mixer 中实现打分 Trait 的结构体。
• score: 构建预测请求并调用推理服务的异步方法。
• extract_phoenix_scores: 将原始模型输出（Logits/概率）映射到下游过滤器和排序器使用的 PhoenixScores 结构体。