打散算法的三种解决方案及其选型场景

背景

打散是在推荐、广告、搜索系统的结果基础上，提升用户视觉体验的一种处理。主要方法是对结果进行一个呈现顺序上的重排序，令相似品类的对象分散开，避免用户疲劳。算法端传出的推荐结果，往往具有以下几个痛点：

• 相似品类的商品易扎堆。显然的，如果商品的各特征相似，其获得的推荐分数也容易相近，而满目的同款肯定不是用户期望的结果。

• 对用户的偏好捕捉太强。用户心理层面，对于隐私或者偏好被完美捕捉这件事是敏感的，过于精准的结果不但容易导致用户的反感，也容易限制用户潜力的转化。

• 产生的错误容易被放大。对于几乎没有什么使用痕迹的用户，很容易出现对仅有特征的放大，从而就容易产生错误推荐。

而打散算法，通过呈现顺序的改变，将相似品类分开，缓冲了推荐系统和用户的交互，提升了用户体验，是算法赋能落地的最后一步。

问题定义

首先，我们明确打散算法的定义。其输入是算法端根据用户偏好程度排列的有序列表，每个对象拥有一个或多个需要加以区分的属性，输出的要求是将相似属性分散开后的一个列表。其中会涉及到这几个细节：

• 打散程度。究竟是让相同类目的尽可能分隔开，还是只要间隔一定距离就可以满足要求？

• 打散依据的维度。是按照一种属性分开就可以，还是存在多种需要考虑分开的因素？

• 打散的性能。作为经常调用的一种接口，性能的优化当然是越多越好。

值得注意的是，我们并不希望丢失算法端系统带来的用户个性因素，所以如何在打散的基础上，充分利用好原对象的顺序，也是非常值得权衡的问题。

解决方案

从三个不同的维度，我们将讨论三种比较通用的打散办法。三种方法中，打散程度最彻底的，是按列打散法；能综合多维度考虑的，是权重分配法；只需要局部计算来提高性能的，是滑动窗口法。

按列打散法

既然要避免相似属性的内容在呈现时相邻，很直接的思路是我们将不同属性的装在不同的桶里，每次要拿的时候尽量选择不同的桶。这样就可以实现将元素尽量打散。如下图所示，在这个例子