feat(recommender): Thompson-sampling bandit over candidate sources (M6)

Nightly Beta(α, β) per user and source from wave impressions (reward:
complete or like, ×0.99 daily decay) stored in user_profiles_rec.bandit;
the wave adds 0.2·(θ − 0.5) per candidate source, sources without data
stay neutral. The user's exploration share now follows how well `fresh`
does against the other sources.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

services/recommender/pipu_rec/wave/engine.py

@@ -93,6 +93,9 @@ class Profile:
     rediscover: set[str]  # любимые, не игравшие > 60 дней
     exploration: float = 0.15
     taste_cf: list[float] | None = None  # фактор пользователя ALS
+    bandit: dict[str, list[float]] = field(
+        default_factory=dict
+    )  # источник → [α, β] (docs/recommendations.md#6.6)
     recent_likes: list[str] = field(default_factory=list)  # последние лайки, новые первыми (для item_cf)
 
 
@@ -113,6 +116,9 @@ class Pick:
     score: float
 
 
+# Вес бонуса бандита к оценке (θ − 0.5 ∈ [−0.5, 0.5]).
+BANDIT_WEIGHT = 0.2
+
 # Вклад реакции в сессионный вектор: s ← normalize(s + η·r·e).
 REACTION_WEIGHT = {"complete": 1.0, "like": 2.0, "skip_early": -1.0, "dislike": -2.0, "skip": -0.5}
 ETA = 0.3
@@ -284,6 +290,13 @@ def build_batch(
     )
     liked_recent = np.array([index.ids[i] in profile.liked_recent for i in cand])
     score = score - 0.2 * liked_recent
+    # Бандит: семплирование Томпсона по источникам — удачные для пользователя источники получают бонус.
+    # Источник без наблюдений — нейтральные 0.5 (без шума, иначе холодный старт ранжировался бы случайно).
+    theta: dict[str, float] = {}
+    for src in set(sources.values()):
+        ab = profile.bandit.get(src)
+        theta[src] = float(rng.beta(ab[0], ab[1])) if ab else 0.5
+    score = score + BANDIT_WEIGHT * (np.array([theta[sources[int(i)]] for i in cand]) - 0.5)
 
     # 4. Соответствие контексту; если отсеялось слишком много — порог ослабляется.
     if rules: