RS Meet DL(79)-序列推荐中使用长尾商品提升推荐多样性

最近对推荐中的长尾问题／多样性问题比较感兴趣，最近看了一篇IJCAI-19上录用的的一篇《Sequential and Diverse Recommendation with Long Tail》的文章，介绍了如何在序列推荐中来提升推荐系统的多样性，一起来了解一下。

1、背景

用户在访问推荐系统的某一刻， 其兴趣往往是单一的，那么如果推荐列表只能覆盖用户的一个兴趣点，而这个兴趣点不是用户这 个时刻的兴趣点，推荐列表就不会让用户满意。反之，如果推荐列表比较多样，覆盖了用户绝大多数的兴趣点，那么就会增加用户找到感兴趣物品的概率。因此给用户的推荐列表也需要满足用户广泛的兴趣，即具有多样性。多样性推荐列表的好处用一句俗话表述就是“不在一棵树上吊死”。

提升推荐系统多样性的一种手段是充分利用长尾商品。但大多数的长尾商品被曝光的机会很少，与用户交互的次数也很少，此时可能推荐模型学习不充分导致推荐系统的精度有所损失。因此许多工作中将这部分长尾物品从训练集中剔除，从而也导致了推荐结果集中在较为热门的部分商品上。

为了解决上面的挑战，本文提出了一种在保留推荐精度的情况下，提升推荐系统多样性的方法。一起来看一下。

2、方法介绍

2.1 问题陈述

这里介绍的场景是topN推荐，下面是本文中使用的一些符号的定义：

基于上面的符号，最终需要通过向量sj中对每一个物品（不仅包括普通物品，还包括长尾物品（下文中会介绍，其实是长尾物品聚类集合））的打分进行排序，选择top-N进行排序。接下来，