推荐系统打散算法--轮询(分类桶)

打散作为推荐系统比较重要的数据处理逻辑，是推荐系统避免数据扎堆最重要的实现手段，本次介绍推荐算法中最简单的轮询算法。

轮询算法一般分为单维度、双维度轮询，所以本文主要介绍，单维度轮询和双维度轮询两种。

单维度轮询：

单维度轮询主要是把数据按照某一个角度进行分类，比如推荐业务中，相同品牌的商品不能相邻出现，这里可以对数据集作以下处理，具体流程如下

注：不同的形状代表不同的品牌

按照品牌分类前的结果集如下图：

按照品牌分类后的结构如下图(形状)：
针对以上结构，可轮询每个分类，每次取分类中某个位置的一个元素，最终轮询结果如下：

根据上面结果可见，当某个分类比较多时（如图中的三角形有5个），容易导致尾部扎堆现象出现，这也是分类轮询比较大的缺点。

双维度轮询：

双维度轮询即在单维度轮询的基础上，再次对单维度分类结果进行第二个分类去分类，然后对第二个维度分类结果轮询，再轮询第一个结果分类，比如推荐业务中按照四级商品组（形状），品牌（字体颜色）轮询，大体流程如下

分类：原始结果集 -》 维度一分类 -》 维度二分类

轮询：维度二分类结果轮询 -》 维度一分类结果轮询 -》 最终轮询结果集

原始结果集

分类结果

维度二轮询

维度一轮询（最终结果）

这种情况会打的更散，但是依旧无法解决维度扎堆的情况，只能相对缩小扎堆的可能性（9、10依旧扎堆，一般来说，标准差越大，越不适合用这种打散方式）