加权打分机制
打分逻辑 (Scoring Logic) 将 Heavy Ranker (Phoenix) 预测的原始概率转换为用于最终推文排序的单个标量值。该逻辑在 home-mixer/scorers/weighted_scorer.rs 中实现。
打分公式
最终分数计算为各个互动概率的 加权求和 (Weighted Sum)，并经过归一化处理。
系统优先考虑建设性的互动（回复、转推）而非被动消费（点击），同时严厉惩罚用户的负面反馈。
概率权重 (Weights)
WeightedScorer 结合了以下组件。（注意：具体的权重数值定义在 params 中，该文件未开源，但键名在代码中可见）。
正向互动信号 (Positive Engagement Signals)
这些行为会增加推文的分数：
P(favorite)(点赞): 基础的正向反馈。P(reply)(回复): 权重通常高于点赞，代表深度互动。P(retweet)(转推): 代表分享意愿。P(quote)(引用推文): 代表讨论意愿。P(share),P(share_via_dm): 私密分享也是强信号。P(dwell_time): 用户在推文上停留的时间，用于捕捉“看了但没点赞”的兴趣。
负向互动信号 (Negative Engagement Signals)
这些行为会大幅降低分数。注意代码中的处理逻辑：
P(not_interested)(不感兴趣)P(block_author)(拉黑作者)P(mute_author)(静音作者)P(report)(举报)
这些概率乘以负权重后，会从总分中扣除。
分数校准与归一化 (Calibration & Normalization)
代码中包含两个关键的后处理步骤，确保分数在数学上是稳健的：
1. 负分偏移 (Offset Score)
在 offset_score 函数中，系统处理了负权重可能导致的总分为负的情况。
- 逻辑: 如果
combined_score < 0，它会通过公式(score + negative_sum) / sum * offset将其映射到一个较小的正数区间。 - 目的: 确保最终输出的分数总是非负的，便于后续的 Log 转换或概率解释，同时保留了负面信号的相对排序能力。
2. 最终归一化 (Normalize Score)
在计算出加权分数后，还会调用 normalize_score（来自 score_normalizer 模块）。这通常用于将原始的 Logits 或无界分数映射到 [0, 1] 区间，或者调整分布以匹配下游系统的期望（虽然具体实现未完全展示，但它是标准操作）。
特殊调整机制
作者多样性 (Author Diversity)
虽然不是加权求和的一部分，但打分管道在加权打分器之后紧接着包含一个 Author Diversity Scorer (author_diversity_scorer.rs)。
- 目的: 防止单个作者霸占 Feed 流。
- 机制:
- 遍历已排序的候选列表。
- 记录每个作者出现的次数。
- 如果是该作者的第 N 条推文，乘以一个衰减系数：
score * decay_factor^N。 - 这是一种 “Soft Demotion” (软降权) 策略，比直接硬删除更平滑。
Out-of-Network (OON) 调优
OON Scorer 专门针对非关注人的内容调整分数，这可能是为了校准最终 Feed 中 “In-Network”（关注）和 “Out-of-Network”（发现）内容的比例。