学校食堂新来了一位师傅，他很快发现一个道理：如果只盯着“大家最爱吃什么”来做菜，每天端上五道红烧肉，第一周大家吃得很开心，第二周就开始剩菜，第三周大家改点外卖了。菜好吃，不等于天天吃不腻。推荐系统也是一样——传统算法拼命追求“推荐得准”，结果把用户喜欢的内容同类型地不断堆回去，短期点击率漂亮，长期用户却悄悄流失。于是，“多样性”成了推荐系统里一把重要的尺子。这把尺子要量两件事：第一，一个推荐列表内部，物品之间是否足够有差异，这叫 Intra-list 多样性；第二，不同列表之间（不同用户之间、或同一个用户不同时间段之间）是否互相重复，这叫 Inter-list 多样性。就像评价一个食堂师傅，既要看他一个餐盘里荤素搭配得如何，也要看他给不同顾客端的盘子是不是千篇一律。本文就用“食堂配菜”这个比喻，把这把尺子的原理、算法和工程实践一次讲透。

岗位关联

对 AI 从业者来说，多样性度量是推荐系统从“能推荐”走向“会推荐”的关键标尺。掌握 Intra-list / Inter-list 两种度量，你就能在设计排序策略、诊断信息茧房、做冷启动探索时有的放矢——这是推荐算法工程师面试和日常优化中绕不开的核心能力。

目录
  1. 可视化演示
  2. 多样性缘起：为什么推荐不能只看准确率
  3. 准确率权衡：在“合胃口”与“有新意”之间找平衡
  4. 单列度量：如何给“一个餐盘”打分
  5. 跨列度量：两个盘子之间，或昨天和今天之间
  6. 优化策略：MMR 贪心、DPP 与类目打散
  7. 冷启动应对：用多样性当“探针”
  8. 评估实践：离线指标、在线实验与业务联动
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示Intra-list列表内多样性、Inter-list列表间多样性、MMR最大边际相关性和DPP行列式点过程，含六边网格背景和发光动画。

本节配有交互动效（进入视口后自动加载，约 3KB）。

多样性缘起：为什么推荐不能只看准确率

学校食堂的师傅最初以为，把最受欢迎的红烧肉做多一点总没错。于是他每天的五道菜全换成红烧肉——第一周光盘，第二周剩菜，第三周学生们开始点外卖。菜好吃，不等于天天吃不腻。 推荐系统也一样：早年大家只比赛点击率（CTR）、评分预测误差（RMSE）这类“好不好吃”的指标，算法为了贴合用户历史喜好，把同类型内容疯狂往回推。你以为用户爱看悬疑剧，就十条推八条悬疑剧。短期指标漂亮，长期用户却悄悄流失。这就是信息茧房：推荐列表的营养面越来越窄。

为了让“不腻”有标尺可量，业界把多样性列为推荐列表的关键体验指标。一个最直观的度量，是看列表里主导类目占多大比例：

师傅后来明白，评价一餐不能只看“是否有人吃光”，还要看“盘子里的菜是不是太单一”。$1-\max$ 就像给餐盘拍一张照、数数颜色——颜色越少，越单调。

Divcat(L)=1−max⁡c∈Ccountc(L)N\displaystyle \text{Div}_{\text{cat}}(L) = 1 - \max_{c \in \mathcal{C}} \frac{\text{count}_c(L)}{N}
这个值的含义：如果列表里全是同一类内容，值接近 0；如果各类内容百花齐放，值接近 1。
  1. 列表 $L$ 与长度 $N$$L$ 是推荐系统给用户返回的一次列表，$N$ 是列表里放了多少个物品，比如手机屏幕一屏 10 个。
    N=∣L∣\displaystyle N = |L|
  2. 类目集合 $\mathcal{C}$ 与目标类目 $c$把物品按内容分类（电影、小说、纪录片……），$\text{count}_c(L)$ 统计类目 $c$ 在列表里出现了几次。
    countc(L)=∑i=1N1[itemi∈c]\displaystyle \text{count}_c(L) = \sum_{i=1}^{N} \mathbb{1}[\text{item}_i \in c]
  3. 最大占比$\displaystyle \max_{c \in \mathcal{C}}$ 找出占比最高的那个类目，比如 5 道菜里 4 道是红烧肉，占 0.8。
    max⁡c∈Ccountc(L)N=0.8\displaystyle \max_{c \in \mathcal{C}} \frac{\text{count}_c(L)}{N} = 0.8
  4. 取补得到多样性用 $1$ 减去主导占比，占比高则多样性低，反之则高。
    1−0.8=0.2\displaystyle 1 - 0.8 = 0.2

准确率权衡：在“合胃口”与“有新意”之间找平衡

师傅开始正式配菜。如果他每顿都做顾客最爱吃的糖醋排骨，准确率 100%，可连吃三天没人受得了；如果他为了花样百出，每天做十道从没见过的暗黑料理，顾客又嫌不好吃。现实中的配菜，是在“合胃口”和“有新意”之间找平衡。这正是推荐系统里著名的探索与利用（Exploration vs Exploitation）问题：利用是把已知高相关的物品排前面，把 CTR 做高；探索是把用户没点过但可能喜欢的物品混进来，把多样性做上去。两者在目标函数里常常是一对矛盾项。

常见的做法是把相关度和多样性加权组合成整体效用，再在列表长度约束下求最大化：

食堂经营要同时看“好吃”和“不腻”。推荐系统里的 λ 就是师傅手里那勺“新菜比例”——舀多了可能翻车，舀少了又腻。

max⁡L: ∣L∣=NRel(L)+λ⋅Div(L)\displaystyle \max_{L:\,|L|=N} \quad \text{Rel}(L) + \lambda \cdot \text{Div}(L)
这个公式的意思是：推荐列表的得分 = 相关度总分 + λ 倍的多样性总分。λ 越大，系统越偏好尝鲜；λ 越小，系统越保守。
  1. $\text{Rel}(L)$ 相关度总分把列表里每个物品与用户的匹配程度加起来，相当于“菜合口味的总分”。
    Rel(L)=∑i=1Nrel(itemi)\displaystyle \text{Rel}(L) = \sum_{i=1}^{N} \text{rel}(\text{item}_i)
  2. $\text{Div}(L)$ 多样性总分用后续介绍的 ILD 或类目覆盖度等指标计算列表的差异程度。
    Div(L)=ILD(L)\displaystyle \text{Div}(L) = \text{ILD}(L)
  3. $\lambda$ 平衡系数λ 大则偏好探索，λ 小则偏好利用；这是业务上可以直接调的旋钮。
    λ∈[0,+∞)\displaystyle \lambda \in [0, +\infty)
  4. 约束 $|L|=N$列表长度固定，不能为了多样性而无限制地加菜。
    ∣L∣=N\displaystyle |L| = N

单列度量：如何给“一个餐盘”打分

光说“不腻”还不够，得能量化。单看一个餐盘，如何用数字说明它丰富？答案是：把盘子里每两道菜都比一比，看看它们差距有多大。Intra-list 多样性（列表内多样性）衡量的正是这个：同一个推荐列表中物品彼此之间的差异。业界最经典的单列指标是 ILD（Intra-list Distance，列表内平均距离）：

实践中还会用更简单的类目覆盖度做 Intra-list 近似的替代：列表覆盖的类目数除以列表长度。极限情形很直观——全部同类目，ILD 为 0；全部各不相同，ILD 达到最大。餐盘里如果把“红烧肉 vs 拍黄瓜”“红烧肉 vs 冬瓜汤”的差距全部求平均，平均值高，就说明这盘菜搭配丰富。这就是 ILD 的朴素直觉。

ILD(L)=2N(N−1)∑i=1N∑j=i+1Nd(itemi,itemj)\displaystyle \text{ILD}(L) = \frac{2}{N(N-1)} \sum_{i=1}^{N} \sum_{j=i+1}^{N} d(\text{item}_i, \text{item}_j)
ILD 把列表中所有物品两两之间的距离求平均。距离越远，说明列表内多样性越好。
  1. 两个求和符号外层 $i$ 从 1 到 $N$，内层 $j$ 从 $i+1$ 到 $N$，保证每对物品只算一次——就像每两道菜比较一次，不重复、不遗漏。
    ∑i=1N∑j=i+1N\displaystyle \sum_{i=1}^{N} \sum_{j=i+1}^{N}
  2. 距离函数 $d$$d(\text{item}_i, \text{item}_j)$ 给两个物品打分，越不相似数值越大；它可以用内容向量的余弦距离，也可以用类目直接判断。
    d(itemi,itemj)=1−cos⁡(vi,vj)\displaystyle d(\text{item}_i, \text{item}_j) = 1 - \cos(\mathbf{v}_i, \mathbf{v}_j)
  3. 累加所有两两距离把所有组合的差异加在一起，相当于把盘子里所有“两道菜对比”的差距累计起来。
    ∑i=1N∑j=i+1Nd(itemi,itemj)\displaystyle \sum_{i=1}^{N} \sum_{j=i+1}^{N} d(\text{item}_i, \text{item}_j)
  4. 除以组合数 $N(N-1)/2$系数 $2/[N(N-1)]$ 正好等于 $1 / C_N^2$，让结果变成“平均每对差距”，不受列表长短影响。
    2N(N−1)=1CN2\displaystyle \frac{2}{N(N-1)} = \frac{1}{C_N^2}

跨列度量：两个盘子之间，或昨天和今天之间

师傅刚保证了单盘丰富，另一个问题又来了：两个顾客端着完全一样的餐盘，或者同一个顾客昨天和今天吃的是同一套菜。就算每盘内部很丰富，重复上菜依然会腻。Inter-list 多样性（跨列表多样性）关注的就是不同列表之间的差异，它主要用在两个场景：一是多用户之间，不同用户看到的推荐结果应当有区分度，不能千篇一律；二是同一用户的连续会话，今天的列表不要和昨天的几乎一样。

最直接的指标是重叠率（Overlap）：

再进一步，考虑时间维度的 NGSD（Next-list / Next-session Diversity，下一列表多样性）：

师傅可以随时自问：昨天端上的 4 道菜，今天还剩几道？剩得越少，越说明师傅懂得“换花样”。Inter-list 度量就是给这份“翻新率”打分。

Overlap(La,Lb)=∣La∩Lb∣∣La∣\displaystyle \text{Overlap}(L_a, L_b) = \frac{|L_a \cap L_b|}{|L_a|}
NGSDu(t)=1−∣Lu(t)∩Lu(t−1)∣∣Lu(t)∣\displaystyle \text{NGSD}_u(t) = 1 - \frac{|L_u(t) \cap L_u(t-1)|}{|L_u(t)|}
NGSD 用“当前列表与上一个列表的重复比例”来刻画“这一顿和上一顿的差别”。值越大，说明连续两次推荐越不重复。
  1. $L_u(t)$ 与 $L_u(t-1)$同一个用户 $u$ 在最近两次推荐得到的列表，比如昨天一屏和今天一屏。
    Lu(t),Lu(t−1)\displaystyle L_u(t), \quad L_u(t-1)
  2. 交集 $|L_u(t) \cap L_u(t-1)|$两屏里重复出现的物品个数。重复 3 个，就说明有一半是剩菜。
    ∣Lu(t)∩Lu(t−1)∣\displaystyle |L_u(t) \cap L_u(t-1)|
  3. 除以当前列表长度 $|L_u(t)|$把绝对重复数转成比例，排除列表长度不同的影响。
    ∣Lu(t)∩Lu(t−1)∣∣Lu(t)∣\displaystyle \frac{|L_u(t) \cap L_u(t-1)|}{|L_u(t)|}
  4. 用 $1$ 减重复比例越高，得分越低；NGSD 越大，列表间差异越大、多样性越好。
    1−重复比例\displaystyle 1 - \text{重复比例}

优化策略：MMR 贪心、DPP 与类目打散

现在师傅知道了目标，怎么把目标落进现实？他要在几十道候选菜里选出 4 道，既要合口味，又要彼此不重复。最直觉的方法是一道一道挑：每次挑新菜时，不仅看它好不好吃，还要看它和盘里已选的菜像不像。这就是 MMR（Maximum Marginal Relevance，最大边际相关）贪心重排的核心思想——从候选集合 $R$ 中逐步选出物品加入已选集 $S$：

比 MMR 更全局的方法是 DPP（Determinantal Point Process，行列式点过程）：它一次性选出一个“整体多样性最优”的子集，从概率上避免贪心带来的局部次优。工程界最常用的还有类目打散——先把候选按相关度排好，再按类目轮换插空，简单粗暴但效果稳定。师傅每挑一道菜都回头看看盘里：新菜和哪道最像？太像就扣分。这样 4 道菜挑完，盘里既有好吃的，又有差异。

MMR=arg⁡max⁡si∈R∖S[λ⋅rel(si)−(1−λ)max⁡sj∈Ssim(si,sj)]\displaystyle \text{MMR} = \arg\max_{s_i \in R \setminus S} \Big[ \lambda \cdot \text{rel}(s_i) - (1-\lambda) \max_{s_j \in S} \text{sim}(s_i, s_j) \Big]
MMR 每步都在“相关度”与“和已选集合的相似度”之间做减法：新菜和已选菜越像，被选中的概率越低。
  1. 候选减去已选 $R \setminus S$只从还没被选中的物品里挑，保证盘子里不会出现重复。
    si∈R∖S\displaystyle s_i \in R \setminus S
  2. 相关度 $\text{rel}(s_i)$$s_i$ 与用户需求的匹配分，相当于菜的“口味分”。
    rel(si)\displaystyle \text{rel}(s_i)
  3. 最大相似度惩罚把 $s_i$ 和已选集合中每个物品比相似度，取最大的那个作为惩罚——新菜与任何一道老菜越像，扣分越多。
    max⁡sj∈Ssim(si,sj)\displaystyle \max_{s_j \in S} \text{sim}(s_i, s_j)
  4. $\lambda$ 权重决定“口味分”与“重复惩罚”谁更重，是师傅手中的配菜旋钮。
    λ∈[0,1]\displaystyle \lambda \in [0, 1]

冷启动应对：用多样性当“探针”

新食堂开业，师傅对每位顾客的口味一无所知：不晓得谁爱吃辣、谁爱清淡。如果只按大众口味做菜，所有人都吃一样的“招牌菜”，反而永远探不到顾客的个性需求。新店阶段的策略是：每桌都先上几道不同风味的小样，让顾客尝了再说。这就是推荐系统的冷启动问题——新用户或新物品缺少历史反馈时，没有可靠的相关度信号可用。如果照搬热门榜，列表会异常同质化（全是爆款），加剧马太效应。冷启动阶段恰恰要把多样性当作“探针”：用类目先验、均匀采样等方式主动覆盖更多内容类目，尽早点亮用户兴趣。

一种经典做法，是用随反馈衰减的探索权重来混合热门策略与均匀策略：

新店靠“试吃小样”摸清顾客口味，反馈越多，师傅越敢加大招牌菜比例。冷启动的多样性，就是系统在不确定性最高时用于购买信息的“菜单样品”。

P(i∣u)=(1−η(u))⋅Ppop(i)+η(u)⋅Puniform(i),η(u)=ββ+fb(u)\displaystyle P(i|u) = \big(1-\eta(u)\big) \cdot P_{\text{pop}}(i) + \eta(u) \cdot P_{\text{uniform}}(i), \qquad \eta(u) = \frac{\beta}{\beta + \text{fb}(u)}
用户反馈越多，探索权重 $\eta$ 越小，系统就越从“尝鲜”回归到“按口味来”。
  1. $P_{\text{pop}}(i)$ 热门概率物品 $i$ 被推荐的基础热度，相当于食堂的固定招牌菜。
    Ppop(i)=count(i)∑jcount(j)\displaystyle P_{\text{pop}}(i) = \frac{\text{count}(i)}{\sum_{j} \text{count}(j)}
  2. $P_{\text{uniform}}(i)$ 均匀概率让所有类目有相近机会被推荐，是“广撒网”的探针。
    Puniform(i)=1M\displaystyle P_{\text{uniform}}(i) = \frac{1}{M}
  3. $\eta(u)$ 探索权重由反馈量决定。新用户 $\text{fb}(u)=0$ 时 $\eta=1$，几乎全靠探索；老用户 $\eta \to 0$，回归个性化。
    η(u)=ββ+fb(u)\displaystyle \eta(u) = \frac{\beta}{\beta + \text{fb}(u)}
  4. $\beta$ 平滑常数控制“从探索转向利用”的速度，反馈积累越快，越早进入稳定配菜阶段。
    β>0\displaystyle \beta > 0

评估实践：离线指标、在线实验与业务联动

食堂经营一个月，光看师傅自己说“我配菜很均衡”不算数。老板要看：回头客多了没有？剩菜多了没有？新顾客愿不愿意再来？——这才是评估。推荐系统的多样性评估同样要分三层。离线评估是在历史数据上直接计算 ILD、重叠率、覆盖率等指标，快速验证策略方向；在线 AB 实验则要切流量对比，观察多样组和对照组在 CTR、时长、留存上的差异；最后的业务联动最关键：多样性不能单看，要和相关度指标一起考察，否则会出现“多样性升了、点击率崩了”的翻车。

工程上常用加权综合健康分来对齐指标：

师傅的配菜评估不能只看“今天光盘率”，还要看“明天还来不来”以及“顾客有没有抱怨菜式重复”。多样性最终要为留存和长期体验服务，这正是推荐系统持续优化的意义所在。

Health=CTR+λ⋅Divnorm\displaystyle \text{Health} = \text{CTR} + \lambda \cdot \text{Div}_{\text{norm}}
把相关度侧写（CTR）和归一化多样性放在同一个公式里，当多样性提升没有明显拉低 CTR 时，综合健康分才真正上升。
  1. $\text{CTR}$ 相关度侧写点击率反映“推荐内容是否合胃口”，相当于顾客是否愿意下筷子。
    CTR=点击次数曝光次数\displaystyle \text{CTR} = \frac{\text{点击次数}}{\text{曝光次数}}
  2. $\text{Div}_{\text{norm}}$ 归一化多样性把 ILD、Overlap 等不同尺度的多样性值映射到 $[0,1]$，便于相加。
    Divnorm=Div−Divmin⁡Divmax⁡−Divmin⁡\displaystyle \text{Div}_{\text{norm}} = \frac{\text{Div} - \text{Div}_{\min}}{\text{Div}_{\max} - \text{Div}_{\min}}
  3. $\lambda$ 权重由业务决定多样性在综合评分中的份量，例如内容社区更重视新鲜感时 λ 调大。
    λ∈[0,+∞)\displaystyle \lambda \in [0, +\infty)
  4. 同步观察多指标单个数字健康不代表真健康，还要盯时长、留存、负反馈率。
    Health↑  ⟺  CTR 不掉且 Div 明显涨\displaystyle \text{Health} \uparrow \quad \iff \quad \text{CTR} \text{ 不掉且 } \text{Div} \text{ 明显涨}

AI 应用场景

长视频平台首页信息流

阶段：重排序（Ranking）阶段

解决的问题：传统 CTR 排序容易把同类型剧集堆在同一屏，用户刷到第 4 条就开始划走。通过 Intra-list 多样性约束（如类目打散 + ILD 监控）让一屏内剧情、综艺、纪录片交替出现，可以显著降低审美疲劳。

具体案例：某长视频 App 在首页信息流上线“类目打散 + ILD 上限约束”后，同类内容连续曝光率下降 42%，单次会话观看时长提升 8%，人均次日留存提升 3 个百分点——这就是“少推一道红烧肉，多上一碟拍黄瓜”的收益。

电商跨用户“猜你喜欢”

阶段：召回 / 后处理阶段

解决的问题：新用户没有行为记录时，系统容易把热销爆款推给所有人，导致“千人一面”——这本质是跨列表多样性（Inter-list）差的问题。通过重叠率监控，平台可以发现并干预“两个用户推荐列表重合度过高”的情况。

具体案例：某电商平台针对新用户引入类目探索机制：前 3 次推荐中强制覆盖 6 个以上叶子类目，并用 Overlap 指标监控新老用户列表的差异度。实验组新用户首单转化率比对照组提升 15%，且 7 日复购率更高。

音乐播放器的连续播放

阶段：流式排序 / 会话级排序

解决的问题：音乐 App 的连续播放如果总推同一歌手或同一曲风，用户很快疲惫。这正是 NGSD（会话级 Inter-list 多样性）的应用场景：上一首和下一首之间要有足够差异。

具体案例：某音乐 App 在“每日推荐”中引入 NGSD 约束，让连续两首歌的艺人相似度和曲风相似度都不能超过阈值。上线后，用户平均播放时长提升 11%，切歌率下降 20%，“随手播下去都不会腻”成了评论区高频好评。

Python 演示

python56 行
import numpy as np  def _normalize(vec):    norm = np.linalg.norm(vec)    return vec / norm if norm > 0 else vec  def intra_list_diversity(item_vecs):    """计算 Intra-list 平均两两距离（ILD）"""    n = len(item_vecs)    if n < 2:        return 0.0    total = 0.0    for i in range(n):        for j in range(i + 1, n):            cos = float(np.dot(_normalize(item_vecs[i]), _normalize(item_vecs[j])))            total += 1.0 - cos    return 2.0 * total / (n * (n - 1))  def inter_list_overlap(list_a, list_b):    """计算列表间重叠率：交集大小 / 并集大小"""    sa, sb = set(list_a), set(list_b)    common = len(sa & sb)    union = len(sa | sb)    return common / union if union else 0.0  def ngsd(prev_list, cur_list):    """计算 NGSD：1 - 当前列表与上一列表的重复比例"""    n = len(cur_list)    if n == 0:        return 0.0    return 1.0 - len(set(prev_list) & set(cur_list)) / n  def demo():    item_vecs = {        '钢铁侠': np.array([1.0, 0.1, 0.0]),        '美队': np.array([0.9, 0.2, 0.0]),        '流浪地球': np.array([0.1, 1.0, 0.0]),        '舌尖': np.array([0.0, 0.8, 0.2]),        '小猪佩奇': np.array([0.0, 0.1, 1.0]),    }    list_a = ['钢铁侠', '美队', '流浪地球', '舌尖', '小猪佩奇']    list_b = list_a[:]  # 与 A 完全相同 → Inter 多样性差    list_c = ['流浪地球', '钢铁侠', '小猪佩奇', '美队', '舌尖']  # 换顺序，集合没变    print('A 列表 Intra-list ILD:', round(intra_list_diversity([item_vecs[i] for i in list_a]), 4))    print('A vs B Overlap:', round(inter_list_overlap(list_a, list_b), 4))    print('A vs C Overlap:', round(inter_list_overlap(list_a, list_c), 4))    print('连续两时刻 NGSD:', round(ngsd(list_a, list_b), 4))  if __name__ == '__main__':    demo()
目的：完整实现了正文中三大指标——ILD、Overlap、NGSD。运行后你会直观看到：Intra-list 很好的列表，Inter-list 可能一塌糊涂；换顺序也不会改善重叠率。
  1. def intra_list_diversity(item_vecs)定义 ILD 计算函数，对应正文第 3 节的公式
  2. total += 1.0 - cos用余弦距离逐对累加两两差异
  3. return 2.0 * total / (n * (n - 1))除以组合数，得到平均两两距离
  4. def inter_list_overlap(list_a, list_b)交集除以并集，衡量两个列表的重叠程度
  5. def ngsd(prev_list, cur_list)用 1 减重复比例，反映连续两次推荐的新鲜度
  6. list_b = list_a[:]构造一个与 A 完全相同的列表，用来揭露“Intra 好但 Inter 差”
  7. list_c = ['流浪地球', '钢铁侠', '小猪佩奇', '美队', '舌尖']只换顺序不换集合，重叠率依然是 1.0，说明“打乱顺序 ≠ 多样性”

常见误区

误区有的人觉得，既然要多样性，那我直接把推荐列表 shuffle 一下、换个顺序，不就多样了吗？反正看起来“乱”了。

正解随机打乱只是改变了排列位置，物品集合本身一个没变。如果列表里全是同类型内容，shuffle 后还是同类型。多样性度量衡量的核心是“内容之间的差异”，不是“顺序的凌乱”。拿食堂打比方：把五盘红烧肉在桌上换个位置，顾客依旧面对五盘红烧肉。

为何常见：直观上容易把“乱”等同于“丰富”，忽略了多样性度量的对象是内容集合的差异，而不是视觉上的顺序变化。

误区“我把每个列表内部都做了充足的类目打散，每个列表都五颜六色的，那列表之间的多样性肯定也没问题吧？”

正解完全不是。本文可视化演示就是最极端的反例：两个列表内部都四色齐全（Intra 优秀），但逐位对比完全一致（Inter 极差）。Intra-list 管的是“一个盘子里菜与菜的差异”，Inter-list 管的是“两个盘子之间或两顿之间的差异”，两者是不同维度的指标，必须分别计算、分别监控。

为何常见：因为日常优化大多只盯着单屏效果，容易忽视“不同用户看到的内容是否千篇一律”“今天和昨天是否重复”这些跨列表问题。

误区“多样性指标升了肯定对用户体验好，那把 λ 调到最大，让系统彻底放飞自我吧！”

正解多样性过度会严重伤害相关性——用户会觉得“推荐的都是什么乱七八糟的东西”。真实业务中，多样性提升的同时必须守住 CTR、时长、留存等底线。就像食堂师傅如果为了花哨每天做十道黑暗料理，顾客第一顿觉得新奇，第二顿就跑了。多样性是约束条件，不是唯一目标，需要与相关度联合调优。

为何常见：把指标本身当成了最终目标，而忘了指标的初衷是服务于用户长期体验。

误区“冷启动时用户没有行为反馈，算法反正也猜不准，先把热门内容推上去刷量，等数据多了再考虑多样性。”

正解冷启动恰恰是最需要多样性策略的阶段。没有反馈时，热门推荐会让所有新用户看到同一批爆款，形成新的“千人一面”；而多样性的探索性推荐（如类目均匀、探索加权）能主动覆盖更多内容类目，帮助系统快速收集用户兴趣信号。冷启动的多样性不是奢侈品，而是购买信息的必要投资。

为何常见：把冷启动当成了“无指标可优化”的空白期，忽略了此时系统最需要靠多样性打破信息茧房。

面试题

Q1. 下列哪项描述最符合 Intra-list 多样性？

单选题 · easy

  • A.不同用户的推荐列表差异
  • B.单个列表内物品的差异← 正确答案
  • C.推荐结果与点击反馈的差异
  • D.同一物品在列表中的重复率

答案：B。Intra-list 是“列表内部”，衡量一个推荐列表里物品彼此之间的差异。选项 A 说的是 Inter-list，C 说的是相关性评估，D 说的是重复率。就像评价一个餐盘，看的是盘内菜与菜之间搭不搭，而不是两个盘子之间像不像。

Q2. ILD（Intra-list Distance）计算时使用的是物品之间的什么量？

单选题 · easy

  • A.物品两两之间的相似度
  • B.物品两两之间的距离← 正确答案
  • C.物品在列表中出现的频率
  • D.用户浏览行为的活跃频度

答案：B。ILD 是“平均两两距离”，分母是组合数，分子是距离总和。注意它用的是距离而非相似度——距离越大，差异越大，多样性越好。如果误用相似度，方向就反了。

Q3. 影响 Intra-list 多样性计算结果的因素有哪些？

多选题 · mid

  • A.列表长度 N 的具体大小← 正确答案
  • B.物品间距离函数的选择← 正确答案
  • C.参与推荐的总人数规模
  • D.列表内物品类目的分布← 正确答案

答案：ABD。列表长度 N 通过组合数影响归一化，距离函数 d 直接决定两两差异值，类目分布决定了物品的差异结构；而参与推荐的总人数跟单个列表内部的多样性无关。就像一盘菜的多样性取决于盘中有几道菜、菜与菜差多远，而不是今天店里来了多少人。

Q4. 两个推荐列表的重叠率是 50%，下列判断正确的是哪项？

单选题 · mid

  • A.对，重合率已足够低
  • B.错，重叠过高缺新意← 正确答案
  • C.无法仅凭重合率判断
  • D.取决于列表间距离值

答案：B。重叠率 50% 意味着两个列表一半内容相同，对用户而言“这一半是重复上菜”，Inter-list 多样性明显偏差。重叠率作为跨列表多样性指标时，数值越高越差，不需要再看其他距离值——就像两个餐盘一半的菜一样，已经足够说明问题。

Q5. NGSD 计算中，分子是“当前列表与上一列表的交集大小”，分母是什么？

单选题 · mid

  • A.两个列表并集的大小
  • B.当前列表的长度 N← 正确答案
  • C.全库物品的总个数
  • D.目标用户的总数量

答案：B。NGSD 关注的是当前列表被上一列表“污染”了多少，因此分母用当前列表长度 $|L_u(t)|$，把重复数转成比例后再用 1 减。如果分母换成并集，指标含义就变成了 Jaccard 相似度，不再适合跨时刻序列的衡量。

Q6. MMR 算法在每一轮选择物品时，会考虑哪些因素？

多选题 · hard

  • A.与已选集合的最大相似度← 正确答案
  • B.物品自身的相关度打分← 正确答案
  • C.物品上架时间的早晚
  • D.用户历史点击偏好的信号← 正确答案

答案：ABD。MMR 的公式是 $\lambda \cdot \text{rel}(s_i) - (1-\lambda) \max \text{sim}$，其中 rel 通常来自用户历史点击偏好建模，sim 是某候选与已选集合的最大相似度。上架时间不在 MMR 标准公式中。就像师傅挑菜时只看两件事：好不好吃、和盘里已选的菜像不像，而不看这道菜是什么时候进的货。

Q7. 为什么冷启动阶段特别需要重视推荐多样性？

单选题 · mid

  • A.多样性可提升计算的响应速度
  • B.反馈稀少需要探索更多类目← 正确答案
  • C.多样性可以完全替代准确率
  • D.冷启动不存在多样性的问题

答案：B。冷启动时没有用户反馈，系统无法准确判断用户口味，此时用多样性策略（类目均匀、探索加权）主动覆盖更多内容，能像“试吃小样”一样收集兴趣信号。多样性不是替代准确率，而是帮系统更快逼近准确率。

Q8. 在线评估一个“多样性提升”实验时，除多样性指标外还应监控下列哪些业务指标？

多选题 · hard

  • A.点击率（CTR）的变化幅度← 正确答案
  • B.用户平均停留时长的变化← 正确答案
  • C.离线 ILD 指标的计算过程
  • D.内容完播率的波动趋势← 正确答案

答案：ABD。在线实验必须同时监控相关度侧写（CTR）和用户价值侧写（时长、完播率），防止多样性上升但体验崩盘。离线 ILD 计算是验证策略方向的工具，不是在线实验的业务监控指标。就像食堂上新菜单后，要盯顾客夹菜次数、用餐时间和剩菜量，而不是去重算菜谱配比公式。

Q9. 下列哪种方法是重排序阶段常用的多样性优化算法？

单选题 · mid

  • A.MMR 最大边际相关法← 正确答案
  • B.SGD 随机梯度下降法
  • C.PageRank 网页排序法
  • D.K-means 聚类算法

答案：A。MMR 是专门用于相关性与多样性平衡的贪心重排算法；SGD 是优化器，PageRank 是图排序，K-means 是聚类。MMR 的核心思路是“每挑一道新菜，都要拿它与已选菜的最大相似度作为惩罚项”。

Q10. 一个推荐列表长度是 5，5 个物品全部属于“悬疑”类，它的 Intra-list 多样性表现如何？

单选题 · easy

  • A.很不错，类目很集中
  • B.很差，内容高度同质← 正确答案
  • C.与类目分布没有任何关系
  • D.取决于物品的排列顺序

答案：B。5 个同类物品的两两距离必然很小，ILD 趋近于 0，类目覆盖度也只有 1/5，Intra-list 多样性极差。类目集中和多样性好是两回事——五道菜全是红烧肉，哪怕摆得再整齐，也是一盘腻菜。