在一家热闹的自助餐厅里，有位老食客每次取餐都径直走向同一个餐台——宫保鸡丁。服务员小夏看在眼里，起初还觉得这位客人专一，可渐渐地，他注意到老食客来得越来越少了。不是菜不好吃，而是这位客人永远只吃同一道菜，口味越来越“腻”，甚至开始怀疑这家店的水平。小夏决定做点什么：他悄悄在老食客的托盘里加了一小碟酸辣藕丁，又放了一勺清蒸鲈鱼。老食客起初皱眉，尝了一口后却眼睛一亮——原来还有这么多好吃的！ 这个故事，就是推荐系统里“多样性推荐”的缩影。如果推荐系统永远只推用户爱看的那一类内容，用户就会像那位老食客一样，陷入“信息茧房”——越看越窄，越看越腻，最终流失。多样性推荐要做的，就是让推荐列表在“精准命中喜好”和“适当引入新鲜”之间找到平衡，像搭餐师傅一样，既保护食客的偏好，又引导他探索更丰富的口味。

岗位关联

对 AI 从业者而言，掌握多样性推荐是推荐系统从“能推”走向“会推”的关键进阶——它直接影响用户长期留存与平台生态健康度，是算法工程师、推荐策略产品经理的核心竞争力之一。

目录
  1. 可视化演示
  2. 多样性概述
  3. MMR算法
  4. DPP算法
  5. 多样性指标
  6. 多目标平衡
  7. 在线评估
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

多样性概述

小夏决定帮老食客换口味后，遇到了第一个难题：老食客的托盘上到底该放几道新菜？如果全换成新菜，老食客可能一口都不吃；如果只放宫保鸡丁，又回到老样子。这个难题，正是推荐系统面临的“精度与多样性”之问——只推荐用户可能点击的物品，短期点击率很高，但长期来看，用户看到的永远是同一类内容，最终像老食客一样吃腻离开。

在推荐系统领域，这种现象被称为“信息茧房”。用户的兴趣像蚕丝一样被自己吐出的丝层层包裹，系统越“精准”，茧房越厚。多样性推荐的定义由此而来：在保证推荐列表与用户兴趣基本匹配的前提下，尽量让列表中的物品覆盖更广的类目、主题或来源，让用户有“尝到新菜”的惊喜感。它的业务价值也非常直接——提升用户长期留存，延长平台生命线。

从数学上看，多样性推荐不是一个单一指标，而是一个多目标优化问题：既要有相关度，又要有整表的多样性。我们可以把推荐列表的质量写成这样的组合目标函数：

小夏很快明白：解决问题的关键不是“要不要多样性”，而是“用多少多样性换多少精度”。接下来的每一节，都是在给这份“配餐方案”寻找更聪明的数学工具。

max⁡S: ∣S∣=K ∑i∈SRel(i) + γ⋅Div(S)\max_{S:\ |S|=K}\ \sum_{i\in S}\text{Rel}(i)\ +\ \gamma\cdot\text{Div}(S)
这个公式的含义是：推荐列表 $S$ 中所有物品的相关度之和，加上 $\gamma$ 倍的整表多样性值。$\gamma$ 越大，系统越愿意牺牲一点相关度来换取更丰富的口味。
  1. 推荐列表 $S$这是我们要输出的最终物品集合，比如手机 App 首页的 10 个商品位。
    S: ∣S∣=KS:\ |S|=K
  2. 相关度总和列表里每一个物品 $i$ 与用户兴趣的匹配得分加起来，匹配越准，这项越高。
    ∑i∈SRel(i)\sum_{i\in S}\text{Rel}(i)
  3. 整体多样性 $\text{Div}(S)$衡量整个列表有多“五花八门”，类目越分散、内容差异越大，值越高。
    Div(S)\text{Div}(S)
  4. 平衡系数 $\gamma$它是小夏手中的“调味勺”——多加一点，餐桌更丰富；少加一点，更对老食客的原有口味。
    γ⋅Div(S)\gamma\cdot\text{Div}(S)

MMR算法

小夏的配餐方案需要一个具体的流程：老食客最爱的宫保鸡丁当然要保留，但下一道菜选什么？小夏发现，选新菜时不能只看老食客爱不爱吃，还要看它跟已经选好的菜“撞不撞味道”——如果新菜又是一道辣子鸡，跟宫保鸡丁口味太像，那等于没换。这就是 MMR（最大边际相关性，Maximal Marginal Relevance）的朴素直觉。

MMR 是一种经典的重排算法：先有一批按相关度排序的候选物品，再从中逐个挑选进入最终列表。每挑一个物品时，它给这个物品打一个“边际分”——相关度奖励减去它与已选物品的最大相似度惩罚。一个物品哪怕相关度高，如果跟已选物品太像，也会被扣分；而一个相关度稍低但跟已选物品差异大的物品，反而可能胜出。

用公式表达，MMR 在每一步选择中求解：

小夏用这个策略重新给老食客配了一周的菜：宫保鸡丁、清蒸鲈鱼、凉拌木耳……每道菜都跟已选菜有足够差异，老食客惊喜地发现，原来自己还喜欢鱼和菌类。MMR 的优点正是实现简单、效果明显，是工业界重排环节的经典选手。

MMR=arg⁡max⁡di∈R∖S[ λ⋅Rel(di) − (1−λ)⋅max⁡dj∈SSim(di,dj) ]\text{MMR} = \arg\max_{d_i \in R \setminus S}\left[\ \lambda\cdot\text{Rel}(d_i)\ -\ (1-\lambda)\cdot\max_{d_j \in S}\text{Sim}(d_i,d_j)\ \right]
括号里的意思是：候选物品 $d_i$ 的相关度乘以权重 λ，减去它与已选集合 $S$ 中“最像的那个物品”的相似度乘以 (1−λ)。得分最高者被选入列表。
  1. 候选余集 $R\setminus S$还没被选中的物品组成的集合，每轮从中挑一个。
    di∈R∖Sd_i \in R \setminus S
  2. 相关度奖励项物品本身与用户兴趣的匹配程度，越高越好，这是“保留老口味”的引擎。
    λ⋅Rel(di)\lambda\cdot\text{Rel}(d_i)
  3. 冗余惩罚项找到已选集合里和 $d_i$ 最相似的物品，用相似度 $d_i$ 与它的像似度作为惩罚，避免整桌菜全是同一口味。
    (1−λ)⋅max⁡dj∈SSim(di,dj)(1-\lambda)\cdot\max_{d_j \in S}\text{Sim}(d_i,d_j)
  4. λ 的调控λ=1 时只看相关度，退化为普通排序；λ=0 时只求差异性，完全忽略兴趣；实际中 λ 通常在 0.5~0.8 之间。
    λ∈[0,1]\lambda\in[0,1]

DPP算法

MMR 是“一道一道菜”地局部去冗余，但小夏发现：有时候两两不撞味的菜凑在一起，整桌却显得很“怪”；而三道貌不相关的菜搭配好了，反而能成一桌好宴。局部思维不够，能不能从“整桌菜的搭配质量”这个全局角度来选菜？这就要请出 DPP（行列式点过程，Determinantal Point Process）。

DPP 是一种优雅的概率模型，它对“整桌菜的搭配”给出一个整体打分。要理解它，先想象每道菜都被表示成一个向量——向量的方向代表这道菜的“风味维度”（辣度、酸度、鲜度等），向量的长度代表这道菜本身的质量。如果把这组向量围成的“平行体”体积算出来，体积越大，说明这些向量方向越分散、彼此越不重复。DPP 正是用行列式来计算这个体积的。

DPP 的核心公式是定义在候选集合所有子集上的概率分布：

理论上 DPP 要枚举所有子集才能找到概率最大的那个，这在几百万个商品上根本算不完。但研究者发现这个目标函数符合“子模性”——新增一个物品带来的多样性增益是递减的，因此可以用贪心算法近似求解：每次加入收益最大的物品，就能接近全局最优。小夏像一个真正的宴席总厨，用 DPP 一次性把整桌菜的搭配质量拉满，让老食客每周都能吃到风格迥异却又和谐的一餐。

P(S)=det⁡(LS)det⁡(L+I),det⁡(LS)=det⁡(VS⊤VS)\mathcal{P}(S) = \frac{\det(L_{S})}{\det(L + I)},\qquad \det(L_S) = \det(V_S^\top V_S)
这里 $L$ 是核矩阵，$V_S$ 是子集 $S$ 中各物品特征向量拼成的矩阵。$L_S$ 的行列式越大，说明 $S$ 这个组合的“整体丰富度”越高，被抽中的概率越大。
  1. 核矩阵 $L$对角线元素表示某物品自身的质量（“这道菜单独好不好吃”），非对角线元素表示两物品的相似度（“这两道菜会不会撞味”）。
    L=V⊤VL = V^\top V
  2. 子集矩阵 $V_S$只保留子集 $S$ 中物品对应的那几行向量，行列式就是这些向量围成的平行体体积。
    VS⊤VSV_S^\top V_S
  3. 行列式 $\det(L_S)$体积越大，说明向量越“张得开”，也就是子集内部的多样性越高。
    det⁡(LS)\det(L_S)
  4. 归一化分母除以 $\det(L+I)$ 把概率归一化到 0~1，使得所有子集的概率加起来等于 1。
    det⁡(L+I)\det(L + I)

多样性指标

小夏的配餐越来越丰富，可怎么知道“丰富”到什么程度了？光凭感觉不行，得能量化。好比一家餐厅要评估自己的菜单是否多样，需要统计覆盖了几个菜系、有几道菜口味重复、隔多久才换一次新菜。推荐系统同样需要一套“多样性指标”来度量效果。

最常用的指标之一是类目覆盖度（Coverage@K）：看推荐列表中的 K 个物品覆盖了多少个预设类目，比如电商平台上覆盖了电子、图书、服饰、家居几个大类。另一个常用指标是列表内距离（ILD，Intra-List Distance）：两两计算物品之间的不相似度并求平均，值越大说明列表内部越不重复。

列表内距离的公式如下：

除了列表级指标，还有用户级多样性：一个用户连续 30 天看过多少个类目、跨了几个兴趣领域；时间维度多样性则关注推荐列表在两周内的类目轮换率，防止用户这周看到 5 个电子类，下周还是同样的 5 个。小夏把这几把“尺子”都备齐后，才真正看清自己的配餐方案进步了多少——覆盖度从 1 个菜系提升到 4 个菜系，ILD 从 0.1 提升到 0.6，老食客的复购率也随之回升。

ILD@K=1K(K−1)∑i∈S∑j≠i(1−Sim(i,j))\text{ILD}@K = \frac{1}{K(K-1)} \sum_{i\in S}\sum_{j\ne i}\left(1-\text{Sim}(i,j)\right)
这个值衡量的是：把推荐列表里所有物品两两配对，求每对物品“不相似程度”的平均值。ILD 越大，说明列表里的内容越不重样。
  1. 物品对数 $K(K-1)$K 个物品两两配对共有 K×(K−1) 对，除以它是为了求平均，让不同长度的列表可比较。
    1K(K−1)\frac{1}{K(K-1)}
  2. 双重求和对列表中所有物品 $i$ 和所有不同于 $i$ 的物品 $j$ 配对统计。
    ∑i∈S∑j≠i\sum_{i\in S}\sum_{j\ne i}
  3. 不相似度 $1-\text{Sim}(i,j)$如果两个物品非常相似（相似度接近 1），这项就接近 0；越不相似，这项越接近 1。
    1−Sim(i,j)1-\text{Sim}(i,j)

多目标平衡

指标到位后，小夏又发现了一个新问题：不同食客对“多样性”的需求完全不同。有些食客就是喜欢稳定的老味道，你给他换太多新菜，他反而不高兴；有些食客天生爱尝鲜，你天天端同一道菜他会立刻流失。一个固定的“配餐比例”无法满足所有人。这对应推荐系统里的核心矛盾：精度与多样性的多目标平衡。

多目标平衡的本质，是把“相关性”和“多样性”看成两个需要共同优化的目标，直接的做法是加权融合：给每个物品计算一个综合分数，相关度与多样性各占一定权重。更高级的做法是实现个性化的权重调节——不同用户使用不同的平衡系数 λ，就像小夏给保守型食客调低新菜比例、给冒险型食客调高新菜比例。

个性化的加权评分可以写成：

除了加权融合，工业界还常用排序学习（LTR）方法：把“相关度分数”和“多样性特征”一起输入一个学习排序模型，让模型自动学习二者的最优组合；或者在重排阶段引入约束式优化——在保证相关度不低于某个阈值的条件下最大化多样性。小夏最后采用“分层配餐”：把食客按“保守型”“均衡型”“冒险型”分层，每层用不同的 λ 区间，再配合排序模型微调。老食客被归为“均衡型”，每周能尝到 2~3 道新菜，满意度不降反升。

Scoreu(i)=λu⋅Rel(i) + (1−λu)⋅Nov(i)\text{Score}_u(i) = \lambda_u \cdot \text{Rel}(i)\ +\ (1-\lambda_u)\cdot \text{Nov}(i)
对用户 $u$ 而言，每个物品 $i$ 的最终得分等于 λ_u 加权的相关度，加上 (1−λ_u) 加权的惊喜度。λ_u 由用户的行为特征决定，老食客的 λ_u 偏高，冒险型食客的 λ_u 偏低。
  1. 用户权重 λ_u每个用户有一个自己的平衡系数，由该用户的点击历史、类目多样性、活跃度等特征预测而来。
    λu=σ(w⊤xu)\lambda_u = \sigma(w^\top x_u)
  2. 相关度 $\text{Rel}(i)$模型预测的用户对物品 $i$ 的点击概率或评分，这是“他爱不爱吃”的直接证据。
    Rel(i)\text{Rel}(i)
  3. 惊喜度 $\text{Nov}(i)$物品相对于用户历史兴趣的新鲜程度，比如用户从没点过的类目，或低于曝光阈值的冷门内容。
    Nov(i)\text{Nov}(i)

在线评估

一切方案听起来都很美，但小夏不敢直接给所有食客换菜单——万一有人就是接受不了新菜呢？他决定试验一把：把 100 位食客随机分成两桌，A 桌继续按老菜单配餐，B 桌用新方案配餐，一周后比较两桌食客的“再来率”和“加菜量”。这就是推荐系统里最经典的评估方式：在线 A/B 测试。

A/B 测试之所以必要，是因为离线指标存在盲区。离线评测里，我们只有用户过去的行为数据，只能“猜”用户会不会喜欢新推荐的内容；而在线环境里，用户面对真实推荐会做出真实反馈——点了、划走了、买了吗、下次还来吗。尤其是多样性推荐，离线 ILD 再高，也不代表用户真的愿意尝试新类目。只有在线试验才能回答“长期留存是否真的提升”。

衡量长期价值的常用计算方式是比较实验组与对照组的留存提升率：

除了留存率，还要观察用户满意度反馈：是否点击了“不感兴趣”、新类目商品的收藏率、推荐反馈问卷评分等长短期指标要联动分析——短期点击率不能唯一决策，长期留存才是多样性推荐的终极裁判。一个月后，小夏的 A/B 测试报告出来了：B 桌食客的周留存提升了 15%，人均尝试新菜品数量是 A 桌的 3 倍。他把这套方案推广到全餐厅，老食客不仅回来了，还带来了更多朋友——因为他们都知道，这家餐厅总能带来惊喜。

Uplift=Retentionnew−RetentionbaseRetentionbase×100%\text{Uplift} = \frac{\text{Retention}_{\text{new}} - \text{Retention}_{\text{base}}}{\text{Retention}_{\text{base}}} \times 100\%
这个公式计算的是：新策略的留存率比旧策略高了百分之几。如果 B 桌的次日留存从 30% 涨到 36%，提升率就是 20%，说明新配餐方案确实留住了客人。
  1. 新策略留存B 桌（实验组）在试验周期内的留存率，比如 7 天后还有多少老食客回来。
    Retentionnew\text{Retention}_{\text{new}}
  2. 基线留存A 桌（对照组）按老方案运营的留存率，作为比较基准。
    Retentionbase\text{Retention}_{\text{base}}
  3. 提升率新策略比基线多出的留存比例，注意要除以基线值做归一化，才能在不同周期、不同客群间比较。
    Retentionnew−RetentionbaseRetentionbase\frac{\text{Retention}_{\text{new}} - \text{Retention}_{\text{base}}}{\text{Retention}_{\text{base}}}

AI 应用场景

电商首页“猜你喜欢”信息流重排

阶段：推荐重排阶段

解决的问题：传统召回+粗排只按预估点击率排序，用户在电商首页看到的商品几乎全是同一类目——买过手机后全是手机配件，形成商品信息茧房。采用 MMR 对粗排结果进行重排，在不明显牺牲点击率的前提下，让信息流覆盖电子、服饰、家居、图书等多个类目。

具体案例：某电商平台发现“高购买用户”的 30 日复购率持续下滑，分析发现其首页推荐列表类目重复度高达 80%。引入 MMR 重排（λ=0.6）后，列表类目覆盖度从 2.1 类提升到 4.3 类，点击率保持稳定，而用户 30 日复购率回升了 9%。平台还在重排层加入了“新类目尝试”追踪，记录用户首次点击新类目的行为。

短视频 App “发现页”长期留存优化

阶段：列表生成与排序

解决的问题：短视频推荐如果只按兴趣匹配，用户会陷入“搞笑视频—鸡汤—搞笑视频”的循环，内容疲劳加剧导致卸载。用 DPP 在排序层直接建模整屏视频的整体多样性，确保每屏 8 条视频覆盖多种内容类型。

具体案例：某短视频 App 在发现页引入 DPP 重排，用视频的类别嵌入构造核矩阵，行列式打分替代纯相关度排序。试验显示：每屏覆盖内容类型从 2.8 类提升到 5.1 类，用户日均观看时长微降 2%，但 7 日留存提升 11%，30 日卸载率下降 5%。

千人千味的个性化参数调控

阶段：排序模型个性化

解决的问题：不同用户对多样性的容忍度不同，全局固定一个 λ 会造成“保守用户反感新内容”“好奇用户觉得无聊”两头不讨好。通过用户行为特征预测个性化 λ_u，让每个用户拥有专属的精度-多样性平衡点。

具体案例：某音乐平台为不同用户学习个性化 λ_u：对歌单循环型用户，λ_u 设为 0.85 偏向熟悉曲风；对电台探索型用户，λ_u 设为 0.4 大幅引入新曲风。上线后，“每日推荐”功能的用户平均收听时长提升 8%，收藏率提升 13%。

Python 演示

python45 行
def mmr_rerank(candidates, lam=0.7, top_k=5):    """MMR重排, 输入候选列表, 每个元素为 (id, relevance, category)"""    selected = []    remaining = list(candidates)    while remaining and len(selected) < top_k:        best_item = None        best_val = float('-inf')        for item in remaining:            rel = item[1]            max_sim = 0.0            cat = item[2]            for s in selected:                sim = 1.0 if s[2] == cat else 0.15                if sim > max_sim:                    max_sim = sim            val = lam * rel - (1 - lam) * max_sim            if val > best_val:                best_val = val                best_item = item        selected.append(best_item)        remaining.remove(best_item)    return selected  def category_coverage_ratio(items, total_cats=4):    cats = set(i[2] for i in items)    return len(cats) / total_cats  if __name__ == '__main__':    candidates = [        ('item_01', 0.95, '电子'),        ('item_02', 0.90, '电子'),        ('item_03', 0.85, '图书'),        ('item_04', 0.82, '服饰'),        ('item_05', 0.78, '电子'),        ('item_06', 0.74, '图书'),        ('item_07', 0.70, '服饰'),        ('item_08', 0.66, '家居'),    ]    for lam in [1.0, 0.6, 0.3]:        ranked = mmr_rerank(candidates, lam=lam, top_k=5)        cats = [x[2] for x in ranked]        cov = category_coverage_ratio(cats)        print('lambda=%.1f -> %s, 类目覆盖=%.2f' % (lam, [x[0] for x in ranked], cov))
目的：实现 MMR 重排算法，用不同的 λ 对同一批候选商品重排，并输出重排结果和类目覆盖度，直观感受精度与多样性的权衡。
  1. val = lam * rel - (1 - lam) * max_sim这是 MMR 的核心打分式，相关度奖励减去最大相似度惩罚。
  2. sim = 1.0 if s[2] == cat else 0.15用同一类目定义相似度为 1.0，不同类目为 0.15，简化相似度计算。
  3. best_val = float('-inf')初始化负无穷，保证第一个候选一定能被选中，避免空选问题。
  4. remaining.remove(best_item)选中的物品从候选池移除，已选集合逐步增长。
  5. category_coverage_ratio(cats)用类目覆盖度作为多样性指标，评估重排效果。
  6. for lam in [1.0, 0.6, 0.3]对比三个 λ 值，观察纯相关、均衡、强多样三种模式的差异。

常见误区

误区很多初学者以为提高多样性就是把推荐列表随机打乱，偶尔把不相干的热门内容塞进去就行，反正列表“看起来丰富了”。

正解随机打乱会严重破坏相关性——老食客的托盘里如果出现三道他从不吃的生鱼片，他只会觉得餐厅不靠谱。真正的多样性是在相关度排序的基线上做“结构化去重”，MMR 用边际分保证“相关为主、多样为辅”，DPP 用行列式保证“整体搭配最优”，两者都是约束下的优化，绝非无序漫游。

为何常见：因为“多样性”这个词听起来像是随机性，而随机化确实能立刻让列表看起来不同，容易产生“有效”的错觉。

误区以为推荐系统的终极目标就是预估点击率，相关度排序越高越准，短期点击率提升就等于推荐变好了。

正解只优化相关度会加速信息茧房。点击率是“短期指标”，用户长期留存才是平台的命脉。多样性推荐牺牲一点短期点击，换取的是用户对平台“总有新鲜感”的长期信任。正如小夏不会只给老食客上宫保鸡丁——哪怕那碗鸡丁是他唯一的最爱。

为何常见：工业界很多团队考核指标就是点击率/转化率，短期数字最容易追逐，长期留存却需要耐心观察才能看清。

误区以为 MMR 的 λ 是一个全局常量，统一设置成 0.5 就完成了精度与多样性的平衡，无需再调整。

正解不同用户对多样性的容忍度差异巨大。保守型用户 λ 应接近 0.8~0.9，探索型用户 λ 可低至 0.3~0.4。固定 λ 会让一部分用户觉得“推荐太野”，另一部分觉得“推荐太窄”。正确做法是通过用户行为特征学习个性化 λ_u，或至少按行为分层设置不同的 λ。

为何常见：λ 在公式里的位置不明显，初学者容易把它当成一个“经验参数”，忽略了它其实是一个可以个性化的变量。

误区离线评测中 ILD 提升到 0.7，就认为新策略一定能提升线上留存，直接全量上线。

正解离线指标只基于历史行为，无法捕捉用户的真实反应。高 ILD 可能意味着列表确实丰富，也可能意味着推荐了大量用户根本不感兴趣的内容。只有通过 A/B 测试观察线上留存、满意度、新类目尝试率等真实反馈，才能下结论。离线指标是“体检报告”，线上 A/B 才是“真刀真枪的考试”。

为何常见：离线评测成本低、速度快、可重复，容易让人产生“数据不会骗人”的依赖感，忽略了离线数据的天然盲区。

面试题

Q1. MMR 的英文全称是？

单选题 · easy

  • A.最大边际相关性← 正确答案
  • B.最小边际相关性
  • C.平均均值相关度
  • D.最大似然排序方法

答案：A。MMR 是 Maximal Marginal Relevance（最大边际相关性）的缩写，核心思想是每次选择“相关度最高且与已选内容最不相似”的物品。选项 B “最小”与定义相反，C 和 D 是混淆项。

Q2. 多样性推荐的主要目标是什么？

单选题 · easy

  • A.提高系统吞吐能力
  • B.打破用户信息茧房← 正确答案
  • C.降低存储硬件成本
  • D.加快模型训练速度

答案：B。多样性推荐的核心目标是打破信息茧房，避免用户只看同一类内容，从而提升长期留存。吞吐量、存储成本、训练速度都是系统性能问题，与推荐内容的多样性无关。

Q3. 下列哪些属于推荐系统中的多样性指标？

多选题 · mid

  • A.类目覆盖面← 正确答案
  • B.列表内差异度← 正确答案
  • C.用户在线时长
  • D.用户跨类目广度← 正确答案

答案：ABD。类目覆盖面（类目覆盖度）和列表内差异度（ILD）是典型的列表级多样性指标，用户跨类目广度是用户级多样性指标。用户在线时长属于留存/活跃指标，不是多样性度量。

Q4. 在 MMR 公式中，参数 λ 增大意味着什么？

单选题 · mid

  • A.更看重相关度← 正确答案
  • B.更看重多样性
  • C.更看重覆盖度
  • D.更看重时间衰减

答案：A。MMR 中 λ 乘以相关度项，(1−λ) 乘以多样性惩罚项。λ 越大，相关度奖励占比越高，排序越接近纯相关排序；λ 越小，多样性惩罚影响越大。这与“λ 增大 → 更重相关度”的直觉一致。

Q5. 在 DPP 中，矩阵 V 的每一行代表什么？

单选题 · mid

  • A.某个候选物品的特征向量← 正确答案
  • B.某个用户的历史编号
  • C.某次点击的时间戳
  • D.某个模型的超参数取值

答案：A。DPP 中 V 的每一行是一个候选物品的嵌入向量，行列式 det(V_S^T V_S) 计算这些向量围成的体积。用户的编号、时间戳、超参数都不是候选物品的特征表达。

Q6. 下列哪些做法可以有效缓解信息茧房？

多选题 · hard

  • A.用 MMR 对推荐列表重排← 正确答案
  • B.用 DPP 建模整表多样性← 正确答案
  • C.单纯增大模型学习率
  • D.为用户学习个性化平衡参数← 正确答案

答案：ABD。MMR 重排通过边际相关做局部去冗余，DPP 通过行列式建模整体多样性，个性化平衡参数让不同用户拥有合适的精度-多样性配比，都能缓解茧房。增大学习率只是优化训练速度，与推荐内容多样性无关。

Q7. 当 MMR 的 λ=1 时，算法退化为？

单选题 · easy

  • A.纯相关度排序← 正确答案
  • B.完全随机打乱
  • C.纯类目覆盖排序
  • D.协同过滤原始版本

答案：A。当 λ=1 时，多样性惩罚项系数为 0，MMR 的分数只由相关度决定，等价于按相关度从高到低排序。λ=0 时才完全忽略相关度，但不是随机打乱，而是只按差异度排序。

Q8. 为什么 DPP 的行列式越大，子集多样性越高？

单选题 · mid

  • A.向量围成的体积更大← 正确答案
  • B.矩阵阶数必然更大
  • C.特征值数值更小
  • D.计算复杂度更高

答案：A。行列式在几何上等于特征向量围成的平行体体积。向量方向越分散、越不重合，张开的体积越大，行列式越大，说明子集内部的多样性越高。矩阵阶数由子集大小决定，与多样性无直接关系。

Q9. 在 DPP 的核矩阵 L 中，对角线元素通常表示什么？

单选题 · extreme

  • A.物品自身的质量分数← 正确答案
  • B.物品之间的相似度
  • C.用户对类目的偏好
  • D.推荐列表的长度

答案：A。核矩阵 L 的对角线元素 L_ii 表示物品 i 自身的质量（如相关度），非对角线元素 L_ij 表示物品 i 与 j 的相似度。行列式把“自身质量”和“两两差异”统一进一个整体打分中。

Q10. 多样性推荐系统上线前，正确的验证方式有哪些？

多选题 · hard

  • A.离线计算 ILD 提升幅度← 正确答案
  • B.直接全量发布不做验证
  • C.线上 A/B 测试观察留存← 正确答案
  • D.同时监控用户满意度反馈← 正确答案

答案：ACD。离线指标（A）是必要的前置检查，但必须配合线上 A/B 测试（C）观察真实留存变化，并监控满意度反馈（D）防止多样性过载伤害体验。跳过验证直接全量发布是高风险做法，极易造成用户流失。