MMR: 控制推荐多样性算法

你有考虑过推荐系统的多样性层面是怎么设计的吗？

推荐系统中精排模块是对各个item进行精准预估，而在之后的重排阶段则会整体考虑推荐的N条内容间的关系，给出listwise粒度上最优的推荐序列。

多样性是重排阶段的一个排序策略，已经有文献指出多样性和准确性并非完全矛盾。因为，用户没有点击并不一定是 ctr 预估不准确，而是用户已经点击了类似的东西，这才导致了下一条内容没有点击。所以存在多样性与精确性同时提升的空间。

MMR(Maximal Marginal Relevance)是一种简单、易于实现的多样性控制算法，非常适合快速上线，作为baseline，探索多样性对系统整体的收益空间。

MMR

MMR全称为最大边缘相关模型，同时将相关性和多样性进行衡量。因此，可以方便的调节相关性和多样性的权重来满足偏向“需要相似的内容”或者偏向“需要不同方面的内容”的要求。

MMR公式如下：

其中R是输入的列表，Di是集合R的成员，S是当前返回的结果集。Sim1(Di,Q)代表query与文档之间的相关度，推荐中一般是精排的预估ctr值。Sim2(Di,Dj)代表文档与文档之间的相似度，用来控制最终结果的多样性。

参数 λ调节相关性（相关性=精确性）和多样性之间的偏重程度，一般是通过线上真实流量探索出最优参数设定。

MMR组成最终列表是一个贪心的过程，每次选一个当前最优的文档D加入最终列表S，但不能保证是整体最优。

公式中有两层循