用“行列式”称出一桌好菜：DPP如何让推荐既丰富又合口

可视化演示

展示DPP核矩阵质量-多样性分解(L=q·S·q)、贪心采样最大化行列式选择多样化子集、DPP与MMR多样性方法性能对比，交互切换核心环节。

多样性问题起源

新客人第一次走进小智的火锅店，没有会员档案、没有口味偏好。小智不能问太多问题，怕打扰；也不能只凭直觉乱上菜，怕砸招牌。这种“什么都不知道却必须马上端出一桌菜”的处境，正是推荐系统的冷启动。在冷启动阶段，用户行为数据稀疏得像一张白纸，系统唯一能确定的是“候选人尽皆知的热门品”，但把所有热门品堆在一起，客人味觉很快麻木——这不只是体验差，还会让用户误以为这家店只有一种味道。

推荐系统平时最朴素的思路，是按预估点击率从高到低排一条长队，取前 N 个。这个思路就像“哪道菜点单最多就上哪道”，在信息充足时有效，但在冷启动时它会把最热门的几样菜全都端上来，造成“审美疲劳”——数学上叫多样性不足。为了缓解这个问题，传统方法会引入一种叫 MMR（最大边际相关性） 的贪心策略：每选一道新菜，都要扣除它与已选菜谱中“最相似那道菜”的相似度。MMR 的公式可以写成：

小智试过 MMR 后觉得，它像一位只记得“上一个菜别重复”的领位员，却忘了看整桌的“大局”。真正的好菜单，应当让每道菜之间都“相得益彰”，而不是两两之间只躲开最相似的那一个。这份执念，把他引向了行列式点过程。

核矩阵构造

怎样把“整桌菜的搭配”装进一个数学对象里？小智想了个办法：给每道菜两个标签。第一个标签是“品质分”，记作 $q_i$，代表这道菜本身的诱人程度——和牛卷分数高，创意冰粉分数低一些。第二个标签是“撞味程度”，任意两道菜 $i$ 和 $j$ 之间都有一个相似度 $S_{ij}$，蘑菇和香菇的 $S$ 接近 1，蘑菇和三文鱼刺身的 $S$ 几乎为 0。把这两个标签组合起来，就得到核矩阵 $L$ 的每个元素：

核矩阵就像一个“菜品关系登记簿”，每一格都记录两道菜之间的化学反应。小智看着这本登记簿，心想：如果有办法能同时翻看所有格子的信息，而不是像 MMR 那样只看一列，也许就能称出整桌菜的“花样面积”了。

行列式几何意义

行列式对初学者来说像个神秘的“黑盒计算”，但它的几何意义非常直观：如果把两道菜分别想象成从原点出发的两根筷子，行列式就是这两根筷子围成的平行四边形面积。以两道菜 $i,j$ 为例，它们的核矩阵是 $2\times 2$：

推广到三道菜、四道菜，行列式的意义也随之升级：它称量的是这些向量在空间里张成的“平行体体积”。小智现在明白了——他想要的“这桌菜够不够丰富”，原来可以用一个体积数字来衡量。体积越大，菜与菜之间越“各占一方”，整桌越丰盛。行列式，就是那把称体积的秤。

DPP概率模型

有了“体积秤”，小智还想回答一个问题：面对几百道候选菜，哪些“一桌组合”更值得端给客人？DPP 的做法是给每个子集分配一个概率，这个概率正比于该子集行列式的大小：

DPP 本质上是一个“会挑组合的概率转盘”。小智发现，它对单个物品的吸引力有天然的偏好——质量越高越容易被转中；但它也惩罚“扎堆”——一旦某几道菜相似度高，它们同时出现在同一桌的概率就断崖式下跌。这种“互相排斥”的性格，正是推荐列表需要的“克制感”。

贪心推理算法

有了概率模型，理论上可以枚举所有子集找最大概率的组合，但候选菜有几百道，组合数是指数级的，算到天荒地老也出不了菜单。小智想到后厨的实战智慧：与其一次配齐一桌，不如一道一道地加菜。每次加入能让“花样面积”增量最大的那道菜，这就是 DPP 贪心推理。它的目标函数是已选集合行列式的对数，边际增益为：

小智在后厨验证这个算法：第一道先选品质最高的和牛卷，第二道开始，系统自动避开同类肉卷，挑了一盘时蔬；第三道又选了一碟海味。整个过程就像经验丰富的配菜师傅——每加一道菜都先掂量“会不会和已有的重复”，再用数学精确算出增量。最终端上桌的，是一份让客人惊喜连连的“花样拼盘”。

MapReduce加速

实际推荐场景中，候选集可能有数万道“菜”，即使单步贪心很快，全量扫描仍然昂贵。小智的后厨来了几百个帮厨，他决定把出菜流程改成“分头行动、汇总定夺”——这正是 MapReduce 的思路。具体分为三步：先把候选菜品按类别（荤、素、海鲜、甜品等）分到不同的小组，这就是 Map（映射）分块；每个小组在自己的块内独立跑一遍 DPP 贪心，各自选出本组最优秀的几道菜，这就是 局部贪心；最后把各组候选合并到一个较小的集合上，再跑一次全局贪心完成精排，这就是 Reduce（归约）合并。

分块背后的数学依据是：当块间相似度很低时，整个集合的行列式可以近似分解为各块行列式的乘积：

小智的后厨从此井井有条：帮厨们各管一摊，先把每个类别里的“尖子生”挑出来，再由主厨在精英小圈子里定最终菜单。这个流程不仅快，而且保留了 DPP 的灵魂——组内不重复、组间不干扰。MapReduce 让 DPP 从实验室真正走向了“千人千面”的线上服务。

效果评估对比

DPP 到底比 MMR 和纯质量排序好多少？小智决定用数据说话。他邀请一批“冷启动”新客人做盲测，每桌菜分别由纯质量排序、MMR、DPP 三种方法配出。衡量一桌菜“花样多不多”，业界常用的指标是 ILD（Intra-List Distance，列表内不相似度）：

实验结果显示：纯质量排序的 ILD 最低，几乎全是高分热门款；MMR 的 ILD 有所提升，但因为它只惩罚“最像的那道”，偶尔还是会出现三道菌菇类菜品扎堆；DPP 的 ILD 最高，同时因为核矩阵里的质量项 $q$ 在把关，整体点击率并不输于前两者。小智的客人满意度明显上升，回头客也多了——这正是 DPP 在线上系统里的价值：用数学的“花样面积”，换来了用户长期的新鲜感与忠诚度。

AI 应用场景

Python 演示

import numpy as npimport math  def make_kernel(q, S):    """构造DPP核矩阵：L_ij = q_i * q_j * S_ij"""    return np.outer(q, q) * S  def greedy_dpp(L, k):    """DPP贪心重排序：每次选择使行列式增量最大的物品"""    n = L.shape[0]    selected = []    rest = list(range(n))    V = np.zeros((k, k))    for step in range(k):        best = -1        best_gain = -1e18        best_c = np.zeros(0)        for i in rest:            if not selected:                gain = math.log(L[i, i] + 1e-9)            else:                c = np.linalg.solve(V[:step, :step], L[i, selected])                gain = math.log(L[i, i] - c @ c + 1e-9)            if gain > best_gain:                best_gain = gain                best = i                best_c = c if selected else np.zeros(0)        if not selected:            V[0, 0] = math.sqrt(L[best, best])        else:            remain = math.sqrt(max(L[best, best] - best_c @ best_c, 1e-9))            V[:step, step] = best_c            V[step, step] = remain        selected.append(best)        rest.remove(best)    return selected  def greedy_mmr(q, S, k, lam=0.5):    """MMR基线：最大边际相关性重排"""    selected = []    rest = list(range(len(q)))    for _ in range(k):        best = -1        best_score = -1e18        for i in rest:            max_sim = max([S[i, j] for j in selected], default=0.0)            score = lam * q[i] - (1 - lam) * max_sim            if score > best_score:                best_score = score                best = i        selected.append(best)        rest.remove(best)    return selected  def ild(items, S):    k = len(items)    pairs = k * (k - 1) / 2    return sum(1 - S[i, j] for idx, i in enumerate(items) for j in items[idx + 1:]) / pairs  def main():    rng = np.random.RandomState(42)    n = 8    q = rng.uniform(0.5, 1.0, n)    feat = rng.randn(n, 4)    S = np.exp(-0.5 * ((feat[:, None, :] - feat[None, :, :]) ** 2).sum(-1))    L = make_kernel(q, S)     dpp_order = greedy_dpp(L, 4)    mmr_order = greedy_mmr(q, S, 4)    top_q = list(np.argsort(-q)[:4])     print("DPP重排:", dpp_order)    print("MMR重排:", mmr_order)    print("纯质量Top:", top_q)    print("DPP ILD=%.3f" % ild(dpp_order, S))    print("MMR ILD=%.3f" % ild(mmr_order, S))    print("Top ILD=%.3f" % ild(top_q, S))  if __name__ == "__main__":    main()

1. return np.outer(q, q) * S用质量向量的外积逐元素乘相似度矩阵，一次性构造核矩阵 $L$，对应正文中的 $L_{ij}=q_i q_j S_{ij}$。
2. c = np.linalg.solve(V[:step, :step], L[i, selected])解三角方程 $V\mathbf{c}=L_{iY}$，用 Cholesky 因子快速得到候选物品与已选集合的重叠系数。
3. gain = math.log(L[i, i] - c @ c + 1e-9)利用 Schur 补公式计算边际增益，$c@c$ 是冗余惩罚，加极小值防止对 0 取对数。
4. V[:step, step] = best_c选中物品后更新 Cholesky 因子，把新列的系数写入矩阵，使后续增量计算保持 $\mathrm{O}(k^2)$。
5. score = lam * q[i] - (1 - lam) * max_simMMR 的边际得分：质量减最相似项的相似度，作为传统方法的对照组。
6. print("DPP ILD=%.3f" % ild(dpp_order, S))输出 ILD 指标，数值越高代表重排列表越多样，是判断 DPP 是否生效的关键证据。

常见误区

面试题