最大边缘相关多样性算法MMR的学习和实现

在做毕业设计的时候，导师推荐了篇经典的关于推荐多样性重排的算法的论文，所以在这里记录一下学习的历程。本文介绍了推荐系统中MMR的详细实现，和其中用到的余弦相似度计算的算法。

MMR算法原理

Maximal Marginal Relevance (MMR) 算法可以减少排序结果的冗余，同时又能保证结果的相关性。最早应用于文本摘要提取和信息检索等领域。在推荐场景下体现在，给用户推荐相关商品的同时，保证推荐结果的多样性，即排序结果存在着相关性与多样性的权衡。

Python 实现

def mmr(items, itemScore, simArr, lambda1):
    index = []
    order = np.argsort(itemScore).tolist()#(0------4)[1,3,2,4,0]
    index.append(order[-1])#[0]
    order.remove(order[-1]) 
    cosList = []
    rList = []
    while len(index) != len(items):
        for i in order:#[1,3,2,4]  [3,2,4]  [3,4]
            now_values_tonser = simArr[i]
            cosList = []
            for j in index:#[0]  [0,1]  [0,1,2]
                re_tonser = simArr[j]