# TAMQueue

核心思想为：通过结合消息的语义相似度和时间因素，动态调整消息的优先级，以确保重要消息能够及时处理。

处理思路为：考虑弹幕消息具有时效性。即“发送消息时间太远”的消息不具有时效性，我们应该降低这类消息的优先级。

为此，我们将一个消息的优先级公式定义为：

$$
score = -sim(message) \*\frac{1}{1+e^{ \frac{t-t\_0}{30} }}
$$

* 语义相似度：即sim(message)，使用Vector Similarity计算得到的语义相似度分数，值范围为0\~1，其中值越低表示与主题越相关
* 时间衰减因素：$\frac{1}{1+e^{ \frac{t-t\_0}{30} }}$为其中$t\_0$为进入的时间戳，$t$为排序时的时间戳，t越大，值范围为0\~1，消息与进入的时间相隔越大，时间衰退因素越小。

  ![消息时间衰退曲线图](/files/bcmScalQXEM5XI9nqoqQ)

`TAMQueue` 类中定义了两个队列：

* `queue1`：用于存储管理员消息，优先级最高。
* `queue2`：用于存储用户消息，根据优先级排序。

```python
class TAMQueue(DynamicMessageQueue):
    def __init__(self) -> None:
        self.queue1 = []
        self.queue2 = []
        // 记录上次重排序的时间
        self.last_time = datetime.now().timestamp()
        self.lock = threading.Lock()
```

通过两个队列管理消息，优先处理管理员消息，并根据消息的相似度和时间因素对用户消息进行动态优先级排序。实现了线程安全的消息插入、弹出和重排序，确保在多线程环境下的正确性。用于管理不同优先级的消息队列。

其中，我们仅在消息插入的时候进行语义排序：

1. 每隔 `60 秒`对次优先级队列（`queue2`）进行一次重排序，以确保新的重要消息能迅速提升优先级。
2. 使用线程锁（`lock`）来确保多线程环境下的操作安全，避免数据竞争和不一致性

```python
def push(self, message: Message):
    with self.lock:
        # 介绍到管理员消息时，将其放在第一队的队首
        if message.kind == MessageKind.Admin:
            self.queue1.insert(0, message)
        else:
            message.timestamp = datetime.now().timestamp()
            message.sim = self._searcher.similarity(message.content)
            self.queue2.append(message)
            # 60s重排序一次
            current_time = datetime.now().timestamp()
            if (current_time - self.last_time > 60):
                self.queue2.sort(key=lambda x: self.calculate_total_priority(x.timestamp, current_time, x.sim))
                self.last_time = current_time
```


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://fucloud.gitbook.io/sysu-introducer/module/queue/tamqueue.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.