Update scoring_calculation_system.py

scoring_calculation_system.py

@@ -2089,23 +2089,23 @@ def calculate_breed_compatibility_score(scores: dict, user_prefs: UserPreference
         處理特殊情況的分數調整，著重：
         1. 條件組合的協同效應
         2. 品種特性的特殊要求
-        3. 極端情況的嚴格處理
+        3. 極端情況的處理
         """
         severity_multiplier = 1.0
         
         def evaluate_spatial_exercise_combination():
-            """評估空間與運動需求的組合影響"""
+            """
+            評估空間與運動需求的組合影響
+            修改重點：移除對高運動需求的懲罰,只保留體型相關評估
+            """
             multiplier = 1.0
             
             if user_prefs.living_space == 'apartment':
-                if breed_info.get('Exercise Needs', 'MODERATE').upper() == 'VERY HIGH':
-                    multiplier *= 0.5
-                elif breed_info.get('Exercise Needs') == 'HIGH':
-                    multiplier *= 0.6
+                # 移除運動需求相關的懲罰
                 
-                # 大型犬在公寓的額外懲罰
+                # 只保留體型的基本評估,但降低懲罰程度
                 if breed_info['Size'] in ['Large', 'Giant']:
-                    multiplier *= 0.5
+                    multiplier *= 0.7  # 從0.5提升到0.7,因為大型犬確實需要考慮空間限制
             
             return multiplier
         
@@ -2185,15 +2185,14 @@ def calculate_breed_compatibility_score(scores: dict, user_prefs: UserPreference
 
     def calculate_base_score(scores: dict, weights: dict) -> float:
         """
-        計算基礎分數，加入更嚴格的評估機制。
-        就像學校的評分系統，某些科目不及格會嚴重影響總成績。
+        計算基礎分數,降低懲罰力度,允許某些維度有較低分數
         """
-        # 檢查關鍵指標是否有嚴重不足
+        # 調整關鍵指標閾值,降低要求
         critical_thresholds = {
-            'space': 0.7,
-            'exercise': 0.7,
-            'experience': 0.7,
-            'noise': 0.65
+            'space': 0.6,    # 從0.7降低到0.6
+            'exercise': 0.6,  # 從0.7降低到0.6
+            'experience': 0.6,# 從0.7降低到0.6
+            'noise': 0.6     # 從0.65降低到0.6
         }
         
         critical_failures = []
@@ -2204,59 +2203,43 @@ def calculate_breed_compatibility_score(scores: dict, user_prefs: UserPreference
         # 計算基礎加權分數
         base_score = sum(scores[k] * weights[k] for k in scores.keys())
         
-        # 根據關鍵指標的不足程度進行懲罰
+        # 降低懲罰程度
         if critical_failures:
-            # 計算最嚴重的不足程度
+            # 降低最嚴重不足的懲罰影響
             worst_failure = min(score for _, score in critical_failures)
-            penalty = (critical_thresholds['space'] - worst_failure) * 0.6
+            penalty = (critical_thresholds['space'] - worst_failure) * 0.4  # 從0.6降到0.4
             base_score *= (1 - penalty)
             
-            # 多個指標不足時的額外懲罰
+            # 降低多重失敗的懲罰
             if len(critical_failures) > 1:
-                base_score *= (0.9 ** (len(critical_failures) - 1))
+                base_score *= (0.95 ** (len(critical_failures) - 1))  # 從0.9提升到0.95
         
         return base_score
 
   
     def evaluate_condition_interactions(scores: dict) -> float:
         """
-        評估不同條件之間的相互影響。
-        就像運動訓練中，不同因素之間的配合度會影響整體效果。
+        評估不同條件間的相互影響,移除對空間與運動組合的懲罰
         """
         interaction_penalty = 1.0
         
-        # 居住空間與運動需求的互動
-        if user_prefs.living_space == 'house_small':
-            if user_prefs.exercise_time > 120:
-                interaction_penalty *= 0.85
-            elif user_prefs.exercise_time > 90:
-                interaction_penalty *= 0.9
-                
         # 經驗等級與其他因素的互動
         if user_prefs.experience_level == 'beginner':
             if breed_info.get('Care Level') == 'HIGH':
-                interaction_penalty *= 0.8
-            if user_prefs.exercise_time > 150:
-                interaction_penalty *= 0.85
+                interaction_penalty *= 0.9  
             if breed_info.get('Exercise Needs', 'MODERATE').upper() == 'VERY HIGH':
-                interaction_penalty *= 0.85
-                
-        # 空間限制與品種大小的互動
-        if user_prefs.living_space != 'house_large':
-            if breed_info['Size'] in ['Large', 'Giant']:
-                interaction_penalty *= 0.8
-                
-        # 運動時間與類型的互動
+                interaction_penalty *= 0.9  
+        
+        # 運動時間與類型的基本互動
         exercise_needs = breed_info.get('Exercise Needs', 'MODERATE').upper()
         if exercise_needs == 'VERY HIGH' and user_prefs.exercise_type == 'light_walks':
-            interaction_penalty *= 0.85
-            
+            interaction_penalty *= 0.9  
+                
         return interaction_penalty
 
     def calculate_adjusted_perfect_bonus(perfect_conditions: dict) -> float:
         """
         計算完美匹配獎勵，但更注重條件的整體表現。
-        就像全能運動員的評分，需要在各個項目都表現出色。
         """
         bonus = 1.0