Update scoring_calculation_system.py

scoring_calculation_system.py

@@ -2102,47 +2102,54 @@ def calculate_breed_compatibility_score(scores: dict, user_prefs: UserPreference
 
 
 def amplify_score_extreme(score: float) -> float:
-    """
-    優化分數分布，增加區分度
-    1. 擴大分數區間差異
-    2. 更合理的分數映射
+    """  
+    1. 提供更廣的分數範圍，讓優秀匹配能獲得更高分數
+    2. 在各個分數區間保持平滑的轉換
+    3. 確保即使是較低匹配也有參考價值
+    4. 對所有情況都使用一致的評分標準
     """
     def smooth_curve(x: float, steepness: float = 12) -> float:
+        """
+        使用 sigmoid 曲線來實現平滑的分數轉換
+        steepness 參數控制曲線的陡峭程度：
+        - 較高的值會產生更陡峭的曲線
+        - 較低的值會產生更平緩的曲線
+        """
         import math
         return 1 / (1 + math.exp(-steepness * (x - 0.5)))
 
-    def apply_distinction_factor(base_score: float, distinction: float = 0.05) -> float:
-        """增加分數的區分度"""
-        # 根據原始分數的位置增加區分
-        position_factor = base_score - int(base_score * 10) / 10
-        return base_score + (position_factor * distinction)
-
+    # 處理最高分數範圍（原始分數 0.9-1.0）
     if score >= 0.9:
-        # 優秀匹配：92-100%
-        base = 0.92 + ((score - 0.9) * 0.08)
-        return apply_distinction_factor(base, 0.06)
-        
+        # 將 90-100% 的原始分數映射到 88-96% 的最終分數
+        # 這確保了最佳匹配能獲得顯著高的分數，但仍保留改進空間
+        position = (score - 0.9) / 0.1
+        return 0.88 + (position * 0.08)
+    
+    # 處理優秀分數範圍（原始分數 0.8-0.9）
     elif score >= 0.8:
-        # 很好匹配：85-92%
-        base = 0.85 + ((score - 0.8) * 0.07)
-        return apply_distinction_factor(base, 0.05)
-        
+        # 將 80-90% 的原始分數映射到 82-88% 的最終分數
+        # 這個範圍表示非常好但不是完美的匹配
+        position = (score - 0.8) / 0.1
+        return 0.82 + (position * 0.06)
+    
+    # 處理良好分數範圍（原始分數 0.7-0.8）
     elif score >= 0.7:
-        # 良好匹配：76-85%
-        base = 0.76 + ((score - 0.7) * 0.09)
-        return apply_distinction_factor(base, 0.04)
-        
+        # 將 70-80% 的原始分數映射到 76-82% 的最終分數
+        position = (score - 0.7) / 0.1
+        return 0.76 + (position * 0.06)
+    
+    # 處理中等分數範圍（原始分數 0.5-0.7）
     elif score >= 0.5:
-        # 一般匹配：65-76%
+        # 使用平滑曲線將 50-70% 的原始分數映射到 70-76% 的最終分數
         position = (score - 0.5) / 0.2
-        base = 0.65 + (smooth_curve(position) * 0.11)
-        return apply_distinction_factor(base, 0.03)
-        
+        return 0.70 + (smooth_curve(position) * 0.06)
+    
+    # 處理較低分數範圍（原始分數 < 0.5）
     else:
-        # 較低匹配：60-65%
+        # 使用平滑曲線將 0-50% 的原始分數映射到 65-70% 的最終分數
+        # 即使是較差的匹配也保持基本的參考價值
         position = score / 0.5
-        base = 0.60 + (smooth_curve(position) * 0.05)
-        return apply_distinction_factor(base, 0.02)
+        return 0.65 + (smooth_curve(position) * 0.05)
 
 
 # def amplify_score_extreme(score: float) -> float: