本文主要基于最近2年发表在顶级会议（KDD、SIGIR、WWW、CIKM、IJCAI等）的多样化推荐相关论文，介绍最新的研究工作，梳理其背后的技术脉络，同时在最后总结多样化推荐中潜在的研究方向。本文旨在帮助推荐系统相关研究人员快速熟悉和掌握多样化推荐的最新研究进展。

 

1.什么是多样化推荐（Diversified Recommendation）

    推荐系统（Recommender System）旨在挖掘用户的兴趣并为每个用户推荐多个与其兴趣匹配的商品。通常来说，用户的兴趣是多样的，即用户对于不同种类或不同属性的商品都会表现出或多或少的兴趣，其中用户可能更加偏好某一类商品。在这种情况下，一个多样化的推荐结果应当包含尽可能不同的商品来满足用户的多种兴趣，而不是只推荐用户最感兴趣的单一类别商品。然而，增加推荐结果的多样性往往会带来准确性的损失，如何平衡推荐的准确性和多样性就成为了一个关键挑战。

2.经典的多样化推荐方法

    由于多样化推荐系统最后的推荐结果中商品之间的差异性尽可能的大，所以经典的方法都是基于后处理的方法，即首先使用推荐算法获取到用户对于商品的偏好打分，再计算出商品之间的相似度，最后根据这两项分数贪心的选择一个推荐的商品集合，在满足商品分数高的前提下，使得集合内商品的相似度尽量低。两个经典的后处理方法分别是最大化边缘相关性（Maximal Marginal Relevance，MMR）和行列式点过程（Determinantal Point Process，DDP）。

    MMR算法最早在SIGIR1998上面被用户搜索领域，其从所有候选文档中逐个选择文档放入结果列表中，选择文档是同时考虑了文档与搜索内容的匹配程度和此文档与结果列表中其他文档之间的最大相似度。具体来说，其将文档与搜索的相关性与文档之间的相似性以一定的权重相减作为目标函数，每次贪心的选择目标函数值最大的文档加入结果中，以实现在搜索结果中增加多样性的目的。

MMR算法中的目标函数只考虑了商品间的二元相似性，这与推荐商品集合的整体相似性还存在一定的偏差。为了解决这个问题，DDP算法在2018年的NIPS上被应用到多样化推荐领域。其在推荐商品集合上定义了一个核矩阵，核矩阵的行列式便同时考虑了所有商品的相关得分和整体的相似度，并且构建这个核矩阵也可以通过贪心法逐个选择目标函数值最大的商品，同时通过最大化后验推断的方法，这个构建过程可以极大的加速。并且此方法可以天然的使用商品嵌入向量计算商品间的相似的，所以在多样化推荐的研究中有大量基于DDP的变种方法，后续的介绍中我们也可以看到其最新的应用。

3.前沿多样化推荐研究

    多样化推荐作为推荐系统研究的一个较冷门方向，近几年发表在顶会的工作虽不多，但也不乏一些高质量工作，下面我将从数据增广、训练策略、模型结构以及特殊场景下的多样化推荐四个方面对最新的研究工作简单介绍。

3.1利用数据增广提高推荐多样性

    建模用户兴趣的根本是学习用户交互行为的模式，高质量的交互数据成为了捕捉多样兴趣的关键，利用一系列技术为用户构建潜在的多样交互数据成为了这类模型的核心思想。

[KDD2020] A Framework for Recommending Accurate and Diverse Items Using Bayesian Graph Convolutional Neural Networks

[WWW2021] Future-Aware Diverse Trends Framework for Recommendation

[RecSys2021] Dynamic Graph Construction for Improving Diversity of Recommendation

3.2定制训练策略提高推荐多样性

[WWW2021] DGCN: Diversified Recommendation with Graph Convolutional Networks

[SIGIR2020 short] Enhancing Recommendation Diversity using Determinantal Point Processes on Knowledge Graphs

3.3设计模型结构提高推荐多样性

[WWW2021] Enhancing Domain-Level and User-Level Adaptivity in Diversified Recommendation

[IJCAI2019] PD-GAN: Adversarial Learning for Personalized Diversity-Promoting Recommendation

[AAAI2021] A Hybrid Bandit Framework for Diversified Recommendation

3.4特殊场景下的多样化推荐

[CIKM2021] P-Companion_ A Principled Framework for Diversified Complementary Product Recommendation

[KDD2021] Sliding Spectrum Decomposition for Diversified Recommendation

[CIKM2021] On the Diversity and Explainability of Recommender Systems_A Practical Framework for Enterprise App Recommendation

4.总结与未来方向

    随着现在各类应用对于推荐系统的依赖，针对多样化推荐的需求也日益明显，最近相关会议和期刊上相关的模型也层出不穷，但总体上针对多样性的研究依旧无法避免设计方法以平衡准确性和多样性，具体体现在数据、策略、模型等不同层面。最后，总结一些目前尚未被很好考虑的多样化推荐方向，希望各位相关研究人员能够继续突破，产出高质量工作。

  • 考虑个性化的多样性：不同用户对于多样性的喜好不同，在用户层面平衡准确性和多样性能带来细粒度的多样性

  • 考虑时许的多样性：现有方法往往关注在一次推荐中保证多样性，但是多次推荐结果之间的多样性没有考虑

  • 可解释的多样性：为多样化的推荐结果生成解释能够帮助推荐系统理解推荐行为

  • 考虑视觉的多样性：推荐的商品往往以图片形式展示，将视觉上的多样性考虑在推荐中同样能提升用户体验

内容中包含的图片若涉及版权问题，请及时与我们联系删除