最大边缘相关(MMR)用于推荐的多样性

在推荐中，多样性并不是目的，而是一种提高用户粘度或是惊喜度的手段。记得在17年的时候在公司做的一个新闻文本摘要项目(那时候没有用到深度学习中的生成式方法是因为：一是没有gpu机器；二是样本不够。而且深度学习的这种生成式方法有时候真的不是太准，即生成的摘要有时候是不通顺的或是不知道説啥，这个还需要后续继续研究。)用到的是抽取式方案，即抽出几个关键句子作为文本的摘要。再结合最大边缘相关(MMR)解决相似句子问题，MMR原本是用于query与docs搜索匹配问题，后面被我改动用于解决抽取关键句的多样性方法，见https://www.cnblogs.com/little-horse/p/7191287.html。

这几天正好看到了有篇资料是将MMR用于缓解推荐的多样性问题，説的是先用某种推荐模型如协同中的item或是矩阵分解等挖掘出top-n商品，然后将item分数以及item相似矩阵输入到MMR中再进行多样性的调整进行重排序及top推荐。所以准备试一下，待续…

参考：　1.https://zhuanlan.zhihu.com/p/102285855?utm_source=qq

2.The Use of MMR, Diversity-Based Reranking for Reordering Documents and Producing Summaries

　3.Maximal Marginal Relevance to Re-rank results in Unsupervised KeyPhrase Extraction