优化生成唯一键值函数，支持传入符号参数以增强缓存机制；改进预测函数中的缓存检查逻辑，确保输入有效性并优化缓存管理

blkeras.py

@@ -83,11 +83,11 @@ CACHE_MAX_SIZE = 512
 
 
 # 生成唯一键值函数
-def generate_key(lemmatized_entry):
+def generate_key(lemmatized_entry, symbol: str = ""):
     # 获取当前日期，例如 '20241010'
     current_date = datetime.now().strftime('%Y%m%d')
     # 将 lemmatized_entry 中的单词连接成字符串，并与当前日期组合生成 MD5 哈希值
-    combined_text = f"{''.join(lemmatized_entry)}{current_date}"
+    combined_text = f"{''.join(lemmatized_entry)}{current_date}{symbol}"
     return hashlib.md5(combined_text.encode()).hexdigest()
 
 # 生成符合正态分布的伪精准度值
@@ -145,13 +145,7 @@ def predict(text: str, stock_codes: list):
             # 从 NER 结果中提取相关的股票代码或公司名称
             affected_stock_codes = find_stock_codes_or_names(ner)
 
-        # 生成唯一键值
-        cache_key = generate_key(lemmatized_entry)
-        # 检查缓存中是否已有结果
-        if input_text != "EMPTY_TEXT" and cache_key in prediction_cache:
-            print(f"Cache hit: {cache_key}" )
-            return prediction_cache[cache_key] 
-        
+
 
 
         # Final Result
@@ -160,6 +154,16 @@ def predict(text: str, stock_codes: list):
         # 调用 get_stock_info 函数
 
         for stock_code in affected_stock_codes:
+
+            # 生成唯一键值
+            cache_key = generate_key(lemmatized_entry, stock_code)
+            # 检查缓存中是否已有结果
+            if input_text != "EMPTY_TEXT" and cache_key in prediction_cache:
+                print(f"Cache hit: {cache_key}" )
+                # 从缓存中获取结果并添加到最终结果列表
+                final_result_list.append(prediction_cache[cache_key])
+                continue
+            
             previous_stock_history, _, previous_stock_inx_index_history, previous_stock_dj_index_history, previous_stock_ixic_index_history, previous_stock_ndx_index_history, _, _, _, _ = get_stock_info(stock_code)
 
 
@@ -409,12 +413,12 @@ def predict(text: str, stock_codes: list):
             }
             final_result_list.append(result)
 
-        # 缓存预测结果
-        prediction_cache[cache_key] = final_result_list
+            # 缓存预测结果
+            prediction_cache[cache_key] = result
 
-        # 如果缓存大小超过最大限制，移除最早的缓存项
-        if len(prediction_cache) > CACHE_MAX_SIZE:
-            prediction_cache.popitem(last=False)
+            # 如果缓存大小超过最大限制，移除最早的缓存项
+            if len(prediction_cache) > CACHE_MAX_SIZE:
+                prediction_cache.popitem(last=False)
 
 
         # 返回预测结果