在互联网APP中，例如电商（淘宝、京东、拼多多）、信息流（头条、微博、看一看）、短视频（抖音、快手、微信视频号）等，搜索推荐的多样性对优化点击转化效率、用户体验、浏览深度、停留时长、回访、留存等目标至关重要。

深度学习精排阶段的排序模型，泛化能力比较好，一般相似的物品精排分数也比较接近，如果直接用精排分数排序展示结果，会导致排名靠前的结果非常类似，容易造成视觉疲劳，对兴趣宽泛、偏逛、需求不明确等用户体验很差。下图展示了，Airbnb实际的搜索结果中，排序靠前的listing（即item，民宿房间），价格、位置差别通常非常小。

所以，工业界的搜索推荐系统，一般包括召回、粗排（可选）、精排、重排模块。在召回阶段，通过多路召回（item2item, 向量召回等）方式，召回和用户最近点击相似相关的物品、热门物品等，一般有几千到几万，保证效率、丰富、多样性。粗排阶段，通过简化的精排模型，对大量召回物品打分，返回几千个物品。在精排阶段，用更复杂的深度排序模型等对这些物品打分。最后，在重排序阶段，对综合考虑点击率、转化率、价格、多样性等信息，对物品计算新的排序分数，最后展示给用户。

重排序阶段，多样性的优化方面，工业界搜索推荐系统实用的代表性方法，包括 MRR (Maximal Marginal Relevance) , Google Youtube和Hulu视频推荐中的DPP（Determinantal Point Process），阿里电商推荐中基于Transformer的PRM，Google Youtube基于强化学习的模型SlateQ等。

本文将基于Airbnb KDD 2020年的论文，介绍Airbnb搜索排序中在重排序阶段如何解决多样性的问题，对工业界搜索推荐系统优化多样性，具有很好的指导借鉴意义。感兴趣的可以戳链接。

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