# 推荐系统的多样性(Diversity)怎么衡量？怎么避免推荐结果太单一？

🚀 本文收录于Github：[AI-From-Zero](https://github.com/laizhuoc/AI-From-Zero) 项目 —— 一个从零开始系统学习 AI 的知识库。如果觉得有帮助，欢迎 ⭐ Star 支持！

> by @Laizhuocheng

---

## 一、简介

你有没有这样的经历：刷短视频时，刚看了几个美食视频，接下来满屏全是做菜教程；逛电商网站搜了一次手机壳，首页就被各种手机配件霸占。这就是推荐系统缺乏**多样性**的典型表现。

推荐系统的核心目标是帮用户发现感兴趣的内容，但如果只追求"精准"，系统会不断强化用户的历史偏好，最终让用户困在**信息茧房**里。这不仅影响用户体验，还会损害平台的长期生态健康。

本文将带你深入了解：如何衡量推荐系统的多样性？如何在精准推荐和多样化探索之间找到平衡？

---

## 二、什么是推荐系统的多样性

**多样性**指的是推荐列表中物品的差异化程度。一个多样化的推荐列表应该包含不同类别、不同风格、不同创作者的内容，让用户有持续探索的新鲜感。

### 类比理解：餐厅菜单

想象你去一家餐厅，如果菜单上全是红烧肉的不同做法（红烧肉盖饭、红烧肉面条、红烧肉包子），即使每道菜都很美味，你很快就会厌倦。好的餐厅菜单应该包含荤素搭配、冷热结合、口味多样的选择——这就是多样性在现实中的体现。

推荐系统也是如此。多样性不是要让推荐变得"不相关"，而是在保证相关性的前提下，给用户更丰富的选择空间。

---

## 三、多样性如何衡量

多样性的衡量要从两个层面来看：**个体多样性**（单个用户的推荐列表是否丰富）和**整体多样性**（整个系统是否公平地分配流量）。

### 3.1 个体多样性指标

#### ILD（Intra-List Distance，列表内距离）

这是最核心的指标，衡量推荐列表中物品两两之间的平均差异度。

**计算方法**：
- 将推荐列表中的物品两两组合
- 计算每对物品之间的相似度（如余弦相似度）
- 取平均值的补数，得到差异度

**业务含义**：ILD越高，说明推荐列表中的物品差异越大，多样性越好。比如给用户推10个视频，如果ILD很低，说明这10个视频内容、风格、创作者都很相似，用户刷着刷着就腻了。

#### 类别覆盖度（Category Coverage）

看推荐列表覆盖了多少个不同的类目。

**举例**：电商场景下，如果给用户推20个商品，结果全是手机壳，类别覆盖度就是1；如果有手机、耳机、充电器、数据线四个类别，覆盖度就是4。

**注意**：这个指标不是越大越好，要看用户状态。如果用户明确在选购手机，这时候推一堆不相关品类反而干扰决策。

#### 时间分散度（Temporal Diversity）

衡量推荐物品的时间分布，避免推荐结果都是最近的热点。

有些平台如果只推新内容，老用户会错过经典内容；如果只推旧内容，新用户又觉得平台不够新鲜。这个指标体现了对长短期价值的平衡。

### 3.2 整体多样性指标

#### 基尼系数（Gini Coefficient）

面试必问的指标！它衡量物品曝光的均匀程度，数值在0到1之间，越接近1说明曝光越集中。

**举例**：平台有1万个商品，如果基尼系数是0.9，意味着90%的流量可能都给了前100个爆款商品，剩下9900个商品只分到10%的流量——这就是典型的**马太效应**。

#### 香农熵（Shannon Entropy）

衡量推荐分布的均匀程度，熵值越大说明分布越均匀。

**举例**：100次推荐，如果每次都推同一个商品，熵值是0；如果100次推荐了100个不同商品且每个出现一次，熵值最大。

#### 覆盖率（Coverage）

统计一段时间内被推荐过的物品占商品库的比例。

**举例**：平台有100万个商品，但推荐系统只推了其中1万个，覆盖率才1%，说明大量商品根本没有曝光机会。这个指标对平台生态健康特别重要。
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11994342/ff5be6a1d164be895b681c25219c4a52.png)

### 3.3 不同场景的指标侧重

| 场景 | 重点指标 | 原因 |
|------|----------|------|
| 电商首页 | 类别覆盖度 | 帮用户发现不同品类的兴趣商品 |
| 电商详情页 | ILD（适中） | 推的商品要和当前商品相关 |
| 短视频平台 | ILD | 用户快速刷feed流，太单一会流失 |
| 资讯平台 | 时间分散度 | 避免用户只看最新新闻错过深度内容 |
| 新用户冷启动 | 类别覆盖度 | 通过多样化推荐探索用户偏好 |

---

## 四、多样性优化的优缺点

| 优势 | 劣势 |
|------|------|
| **提升用户体验**：保持新鲜感，降低疲劳度 | **短期CTR可能下降**：探索性内容点击率不如精准推荐 |
| **打破信息茧房**：帮用户发现新兴趣 | **实现复杂度高**：需要多路召回、重排序等全链路改造 |
| **促进平台生态**：给长尾内容曝光机会 | **平衡难度大**：过度多样化会伤害用户体验 |
| **提高用户留存**：长期看用户停留时长和留存率会提升 | **评估周期长**：多样性价值需要较长时间才能体现 |
| **增加商业机会**：帮用户发现更多品类，提升客单价 | **计算成本高**：多样性算法通常需要更多计算资源 |

---

## 五、多样性优化的实际应用与发展趋势

### 5.1 召回阶段：多路召回保基础

多样性优化从召回阶段就要开始。不能只依赖一种召回策略，要采用**多路召回**：

- **协同过滤召回**：基于用户历史行为的相似性
- **内容召回**：基于物品本身的属性特征
- **热门召回**：保证一定比例的高质量内容
- **探索召回**：随机选择用户没接触过的类目

**工程实践**：每路召回控制数量和比例。比如协同过滤召回200个，内容召回100个，热门50个，探索30个，混合成400个候选池。新平台冷启动时热门占比高一些，用户画像积累后协同过滤占比提升。

### 5.2 重排序阶段：MMR算法

**MMR（Maximal Marginal Relevance）**是多样性优化的经典算法。核心思想是贪心选择：每次选物品时，同时考虑**相关性**和**与已选物品的差异性**。

**MMR公式**：
```
MMR得分 = λ × 相关性 - (1-λ) × 最大相似度
```

参数λ控制权重：λ接近1更看重相关性，λ接近0更看重多样性，业务中通常设在0.6到0.8之间。

### 5.3 业务规则：滑动窗口去重

除了算法，简单的业务规则也很有效。比如视频推荐中：
- 连续10个推荐位里，同一个UP主最多出现2次
- 同一个标签最多出现3次
- 推荐列表里每3个物品必须来自不同类目

这些规则简单粗暴，但能有效避免推荐结果扎堆。

### 5.4 探索机制：ε-greedy与Thompson采样

**ε-greedy**：设定比例ε（如0.1），90%推荐位给高分物品，10%随机推荐候选池里的其他物品。

**Thompson采样**：给每个物品维护一个概率分布（如Beta分布），物品被点击后更新分布。每次推荐时从分布中采样，新物品因为不确定性大，有机会获得曝光。

### 5.5 发展趋势

1. **强化学习应用**：把多样性优化建模成长期回报最大化问题，用DQN或DDPG等算法动态调整多样性参数。

2. **个性化多样性**：不同用户对多样性的需求不同。专注型用户（如数码发烧友）需要精准推荐，探索型用户需要高多样性。通过用户历史行为熵来判断用户类型。

3. **多目标优化**：不再把多样性和准确率对立，而是用多目标优化框架同时优化CTR、多样性、留存率等指标。

---

## 六、总结与思考

推荐系统的多样性不仅是一个技术问题，更是一个**生态治理问题**。如果只追求短期点击率，系统会不断强化用户的历史偏好，最终让用户困在信息茧房，平台也会陷入"头部内容越来越热，长尾内容完全没有曝光"的死亡螺旋。

**核心要点回顾**：
- **衡量**：ILD、类别覆盖度、基尼系数、覆盖率等指标从不同角度衡量多样性
- **优化**：从召回阶段的多路召回，到重排序的MMR算法，再到业务规则的打散策略，多样性需要全链路优化
- **平衡**：多样性和准确率不是对立关系，而是需要平衡的两个目标

> 💡 **深度思考**：推荐系统的终极目标是"帮用户发现他们真正需要但还不知道的东西"。这需要算法既懂用户的历史偏好，又有勇气带用户走出舒适区。多样性优化的本质，是在"给用户想要的"和"给用户需要的"之间寻找平衡——这不仅考验技术能力，更考验对产品价值和长期主义的理解。


🚀 本文收录于Github：AI-From-Zero 项目 —— 一个从零开始系统学习 AI 的知识库。如果觉得有帮助，欢迎 ⭐ Star 支持！

推荐系统的多样性(Diversity)怎么衡量？怎么避免推荐结果太单一？

你有没有这样的经历：刷短视频时，刚看了几个美食视频，接下来满屏全是做菜教程；逛电商网站搜了一次手机壳，首页就被各种手机配件霸占。这就是推荐系统缺乏**多样性**的典型表现。

数据开发/数据仓库

人工智能

大数据

算法

推荐系统多样性衡量指标包括ILD、类别覆盖度、基尼系数等，优化方法涉及多路召回、MMR算法和业务规则。平衡精准推荐与多样化探索能提升用户体验、打破信息茧房，促进平台生态健康发展。

强化学习

2026采购季 | AI焕新·智启新局

tione

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

推荐系统的多样性(Diversity)怎么衡量？怎么避免推荐结果太单一？-腾讯云开发者社区-腾讯云

推荐系统的多样性(Diversity)怎么衡量？怎么避免推荐结果太单一？

推荐系统的多样性(Diversity)怎么衡量？怎么避免推荐结果太单一？

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐