本仓库为三讲作业合用仓库，包含第二、三、四讲作业代码以及讨论。
工程环境python3.9。
进入mian process.py运行。
执行文件后首先进行视频序列的随机生成，较为耗时，需等待约10秒钟。
标准规则定义：作者类别<=2，项目类别<=3，音乐类别<=1
见本文档最底部。
进入DPP.py运行。
本讲作业只实现了greedy search算法，未能实现beam search算法
1.此版本算法中，每次由前往后遍历窗口中的视频特征，出现不满足规则的重复特征时，将后出现的那个重复特征与出窗口。
而此算法在较短序列中，一旦重复出现的特征中的第一个特征所在窗口中的位置较为靠后，会使得本能打散的序列因不符合规则而打散失败。
2.因此要考虑将重复出现的特征中的第一个特征向前移动，尽可能使得两个或者多个特征之间距离足够远。
例如下图中的序列，可以看到，将第一个music_id93前移即可完成打散，但因两者出现的距离过近没有后续移动空间导致失败。
V1.0.0版本算法在标准规则、20长度序列、8长度窗口的要求下，10000次打散失败率经多次测试均约为25%，其中不符合背景音乐规则的失败率约占到99%以上，耗时约2.4秒。
·以下取一次结果展示：
1.此版本算法中，考虑V1版本缺陷，当第一次正序打散失败时进行二次打散，第二次打散采用倒序的方式，从序列末尾开始进行窗口滚动。
2.观察到打散失败的绝大部分由于在20长度的序列中出现了4个及以上的相同背景音乐特征，当窗口为8时，4个及以上的背景音乐特征c必定无法打散。
在标准规则、20长度序列、8长度窗口的要求下，10000次打散失败率经多次测试均约为0.4%，其中不符合背景音乐规则的失败率约占到99%以上，耗时约3秒。
·以下取一次结果展示：
在标准规则、20长度序列、4长度窗口的要求下，10000次打散失败率经多次测试均约为0%，耗时约1.7秒。
·以下取一次结果展示：
在标准规则、40长度序列、8长度窗口的要求下，10000次打散失败率经多次测试均约为0.04%，其中不符合背景音乐规则的失败率约占到99%以上，耗时约7.8秒。
·以下取一次结果展示：
在标准规则、40长度序列、16长度窗口的要求下，10000次打散失败率经多次测试均约为6.8%，其中不符合背景音乐规则的失败率约占到99%以上，耗时约18秒。
·以下取一次结果展示：
由对比实验可见，本算法在较短序列中的运行速度较快，性能较好。当序列增长时，算法耗时提高较大，性能下降。此外，窗口长度对性能影响也较大，当序列长度相较窗口长度差距越大，打散失败率越低。
考虑打散前后的用户点击率以及完波率对比，对一个召回序列，记录哪些是打散后出现的，哪些是打散前存在的。跟踪用户的行为，来确定用户对打散后出现的这些新视频的兴趣程度，同时也要考虑这些新视频的特征与用户早先观看的视频特征的差异，差异越大，则表明打散后对推荐效果的提升越大。另外，用户在打散过的召回序列与未经打散的召回序列之间总点击率、完播率的差异也可列为一项推荐效果的评估指标，点击率、完播率越高，推荐效果越好。
针对第三小问每个视频均包含相同的path是否合理：
考虑针对视频类别的热门程度，来相应的均衡path个数。根据视频所属门类、浏览量，给定视频一个热门权重，增加path数来增加热门视频的检索深度，强化热门视频的用户的契合度。