- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI科技大本营的专栏
Hulu视频如何提升推荐多样性?
其中，推荐领域是机器学习一个比较常见且成功的应用场景。推荐多样性和相关性是衡量推荐算法常用的标准，最近项目团队针对搜索多样性做了大量的研究工作。 Hulu陈拉明的推荐算法研究团队在NIPS 2018会议上提出的基于DPP的推荐多样性算法，能较好地提高推荐的多样性和相关性，并且执行效率也十分可观。我们团队也复现了该算法，具有不错的上线效果。 DPP不仅减少了计算量，而且提高了运行效率，在图片分割、文本摘要和商品推荐系统中均具有较成功的应用。 DPP通过最大后验概率估计，找到商品集中相关性和多样性最大的子集，从而作为推荐给用户的商品集。 总结 基于行列式点过程的推荐多样性提升算法使用贪婪算法推理最优的行列式点过程，并利用Cholesky加速行列式点过程的推理。 该算法在推荐领域具有较好的应用，在丰富推荐多样性和相关性的同时，大大提升了计算速度。
3.7K20发布于 2019-11-14 - 来自专栏小小挖掘机
推荐系统遇上深度学习(一零五)-提升推荐多样性的推荐框架FAT
推荐系统中的用户体验非常重要，而推荐多样性是其中比较关键的一环。 论文提出了一种提升多样性的推荐系统框架FAT（future-aware diverse trends (FAT) framework），其核心思路是根据与用户最近行为相似用户的行为来建模用户未来可能的多样化兴趣演化趋势 用户的兴趣往往是多样且不断变化的，仅考虑用户过往的行为可能导致推荐结果多样性欠缺，时效性较差，如下图中上半部分，用户的历史行为中包括美国历史、人物传记等，那么推荐的结果往往局限于这几类中，不仅多样性较差 如下图中的下半部分，同样喜欢美国历史或者人物传记的用户，可能还会喜欢其他类别的内容，通过FAT，这些内容将同样会推荐给用户，提升推荐系统的多样性和时效性。 3、实验结果 这一部分看一下论文的实验结果，首先是FAT与base模型的对比： 随后看一下在多样性指标上的表现： 多样性指标的计算公式如下，即推荐的N个物品中两两品类不同的占比： 可以看到，FAT模型在推荐准确性和多样性上
1.7K20发布于 2021-01-08 - 来自专栏小小挖掘机
RS Meet DL(79)-序列推荐中使用长尾商品提升推荐多样性
，介绍了如何在序列推荐中来提升推荐系统的多样性，一起来了解一下。 反之，如果推荐列表比较多样，覆盖了用户绝大多数的兴趣点，那么就会增加用户找到感兴趣物品的概率。因此给用户的推荐列表也需要满足用户广泛的兴趣，即具有多样性。 多样性推荐列表的好处用一句俗话表述就是“不在一棵树上吊死”。 提升推荐系统多样性的一种手段是充分利用长尾商品。 因此许多工作中将这部分长尾物品从训练集中剔除，从而也导致了推荐结果集中在较为热门的部分商品上。 为了解决上面的挑战，本文提出了一种在保留推荐精度的情况下，提升推荐系统多样性的方法。一起来看一下。 那么计算公式如下： 再来看一下多样性指标，多样性指标定义为推荐结果至少推荐给用户一次的物品占所有物品的比例。 好了，本文就介绍到这里了，整体思路还是不错的，但有些具体的细节有待讨论！
99640发布于 2020-03-17 - 来自专栏机器之心
KDD 2021 | 小红书推荐多样性解决方案：SSD在质量、多样性之间获得较好权衡
机器之心专栏 小红书推荐技术团队 来自小红书的研究者在多样化推荐中，从用户体验和系统应用的视角出发，提出了一种滑动频谱分解（SSD）的方法，该方法可以捕捉用户在浏览长项目序列时对多样性的感知。 多样化推荐（diversified recommendation）是推荐系统中一个重要的课题。从用户视角分析，多样性可以帮助用户扩展和发现新的兴趣，但是繁多的内容则会令人厌倦。 首先是推荐质量（quality），即推荐的结果需要匹配用户的兴趣，可能是用户历史交互过的，也可能是第二点，即多样性所考虑的，用户兴趣的扩展和发现。 与固定列表的推荐不同，用户可以选择在 Feed 中进行持续的浏览，多样性的衡量需要考虑这种长序列的情况。 类比到推荐场景，如果我们也能将笔记序列分解成几个正交的部分，或许就能得到一个较好的多样性衡量办法。
73030编辑于 2023-03-29 - 来自专栏活动
推荐系统中的多样性与新颖性问题
引入多样性与新颖性概念随着推荐系统的发展，研究者们意识到单一的推荐内容无法满足用户的探索需求，于是多样性与新颖性的概念逐渐被引入。 推荐系统中的多样性问题定义与度量多样性是指推荐结果中不同物品之间的差异性。推荐内容的多样性越高，意味着推荐的物品越不相似。常见的度量方法包括基于物品相似度的度量、基于类别的度量等。 - 基于优化的多样化：在推荐算法中直接引入多样性的目标函数，通过优化该目标函数来提升多样性。 多样性与新颖性之间的权衡在推荐系统中，平衡多样性、新颖性与推荐准确性是一个复杂而关键的挑战。 我们探讨了推荐系统中的多样性与新颖性问题，并通过代码示例展示了如何在推荐算法中引入多样性与新颖性。
70630编辑于 2024-08-12 - 来自专栏#大模型热点基础知识
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。 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）。 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。 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。
10010编辑于 2026-04-08 - 来自专栏AI算法札记
SIGIR22 推荐系统论文之多样性篇
)等问题广为诟病，知乎也有个比较火的问题——《推荐系统应该如何保障推荐的多样性？》。 提升推荐结果的多样性和发现性，可以有效降低用户疲劳，缓解信息茧房现象 (推荐系统本身的巨大诟病)，促进平台的可持续发展。本文选择SIGIR'22 搜索推荐多样性方向的论文进行解读。 2. )多样性、多目标 论文总结: 专注于准确性的个性化算法可能会提供高度相关的推荐，但推荐的项目可能与当前用户的偏好过于相似。 因此，时尚推荐系统需要考虑多样性，并通过推荐目录中的新品牌和产品来提升购物体验。在这项工作中，我们探索了一些多样化策略来重新排列以相关性为重点的推荐系统的输出。 最佳的线下多元化策略将用户参与度提高了 2%，真实用户AB测试时，推荐的不同品牌的点击率提高了 46%。这些结果强调了在开发推荐系统时考虑准确性和多样性指标的重要性。
1.4K10编辑于 2022-08-02 - 来自专栏小小挖掘机
基于行列式点过程的推荐多样性提升算法
多样性：在短时间内不要过多地向同一用户推荐同一类型的内容，而是混合各种类型的内容推荐给用户。衡量这一指标主要通过三个方面，接下来将逐一介绍。 二、如何衡量推荐内容的多样性？ 2.1、Temporal Diversity ( 时间的多样性 ) 推荐结果应随着时间的迁移发生改变，其衡量的指标是在固定的时间间隔内推荐不同类的内容的个数。 比如一个推荐系统在一段时间内给用户推荐了10个内容，那么这10个内容中属于不同类别的个数，即可衡量推荐系统的多样性。 提升推荐系统多样性的方式主要有两类。第一类主要是依靠 Item 相似度模型和 Item 排序模型。如图5左侧所示。 该算法在推荐领域具有较好的应用，在丰富推荐多样性和相关性的同时，大大提升了计算速度。
1.8K30发布于 2019-07-12 - 来自专栏DeepHub IMBA
拆解推荐系统：候选生成、过滤、排序、多样性的分层设计
推荐系统不是单一算法而是一条流水线，每个阶段在不同约束下解决不同的问题。多数入门实现把所有事情塞进一步：算相似度。但生产级系统需要做关注点分离，分别管控质量、速度和行为。 本文梳理一条可以实际构建并持续扩展的端到端推荐 Pipeline。 多样性注入（避免重复） 跳过这一环节，推荐结果会迅速坍缩到单一类别。 选出排序后的前 N 个结果： final = sorted(candidates, key=lambda x: x["score"], reverse=True)[:10] 这就是最终呈现给用户的推荐列表 总结 推荐系统的核心不在于找到相似的物品，而在于在约束条件下选出合适的物品。
2900编辑于 2026-04-15 - 来自专栏小小挖掘机
IJOC“考虑聚合多样性的可扩展优化推荐系统”论文解析
一个推荐系统（算法）是否成功，以往的评判标准通常为建议方案的准确率。然而，最近的研究将推荐结果的多样性作为评价推荐系统好坏的一个重要方面。 聚合多样性是指推荐系统为所有用户的全部推荐结果的条目或种类多样性，而且这种聚合多样性可以用多个指标来定义或描述。 因此，同时最大化推荐结果的准确率和多样性，使得推荐系统成为一个多目标优化问题，而这类多目标优化问题往往可以采取很多方法求解。 在本文中，首先对这类多目标优化问题进行了深入分析之后，作者提出了一个同时考虑推荐结果准确率和聚合多样性的决策模型。 实验结果表明，新模型获得的推荐方案很好地捕捉到了多目标之间的均衡，在分布多样性上达到了非常高的水平。
88530发布于 2018-04-11 - 来自专栏Listenlii的生物信息笔记
物种功能，多样性分解及功能多样性
我看完之后感觉本质上还是β多样性的分解。 我之前也写过多篇文章介绍多样性的分解： EM：不同海拔细菌和真菌多样性及驱动因素 R——分解beta多样性betapart包简介 再论betapart adespatial：分解beta多样性的另一种选择 想法是将beta多样性分解为物种的增减和丰度的增减。 功能多样性（或性状多样性）是生态学中一个迅速发展的研究领域，是指物种或生物体性状的价值和范围的多样性。功能多样性被认为是理解生态系统过程及其对环境胁迫或干扰的响应的关键。 功能多样性测量主要有三种方法:基于特征值（trait-value）、基于树图（dendrogram）和基于距离。 基于特征值的方法直接从物种特征值计算。
3.9K31发布于 2020-07-14 - 来自专栏深度学习与python
为什么 Intel、超聚变…都在谈共建多样性计算？| Q推荐
《多样性算力技术愿景白皮书》指出，行业应用的多样性带来数据和算力的多样性，没有一种计算架构可以高效满足所有业务诉求。 在多样性计算的构建中，存在着一些不太明了的问题，例如，为什么多样性计算需要共建？企业加入开源社区是共建的好途径吗？加入开源社区如何决策？ 以往，依靠芯片工艺来提升算力的方式，已经无法满足多样性计算的需求。 针对本次大会的圆桌讨论，我们也梳理了一下大家对多样性计算未来发展趋势的观点： 第一，多样性计算将持续满足用户在不同场景下的计算需求。 行稳致远，我们期待多样性计算给我们带来更多惊喜。
50920编辑于 2022-06-11 - 来自专栏#大模型热点基础知识
推荐系统怎么平衡个性化和多样性？
推荐系统怎么平衡个性化和多样性？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！ 四、个性化与多样性的矛盾个性化vs多样性：一场拉锯战维度个性化多样性目标满足用户已知兴趣发现用户潜在兴趣短期效果点击率高，用户满意度高可能"踩雷"，短期指标下降长期价值容易疲劳，用户流失拓展视野，提升留存优化难度数据充足 （4）多目标优化现代推荐系统不只优化CTR一个目标，而是同时考虑：点击率停留时长分享率多样性得分可以用加权求和把它们合成一个综合分数，也可以用帕累托优化保证没有目标被牺牲太多。 不相似但高评分的物品比例长期留存次日回访率、周活跃多样性对长期价值的影响4.不同业务的差异化策略业务场景多样性策略原因电商推荐低多样性用户目标明确，过度探索干扰决策新闻推荐高多样性用户期待全面信息，避免观点偏颇短视频中等多样性用户容忍度高 ，可以接受惊喜音乐推荐中等多样性需要平衡"喜欢的歌手"和"新歌发现"六、总结与思考信息茧房是推荐系统过度"贴心"的副作用，它源于算法对短期指标的优化和用户行为的自我强化。
22910编辑于 2026-04-02 - 来自专栏Listenlii的生物信息笔记
zeta多样性：基于发生率多样性的统一框架
本文提出zeta (ζ)多样性，由多个组合共有的物种数量，作为统一基于发生率的多样性测量、模式和关系的概念和度量。 zeta多样性协调了多种不同的生物多样性模式，包括物种积累曲线、种面积关系、多物种发生模式和物种地方性尺度。 zeta多样性的指数形式和幂律形式与随机性对生态位的装配过程有关。 物种组成相似性的空间变化通常以beta多样性为基础。而beta多样性可以由乘法或者加法进行分解得到。 Zeta多样性和基于发生率的多样性指数 从zeta可以推导出几种常用的指数： 1. Zeta和beta多样性的关系 用z1和z2就可以表示群落两两之间的beta多样性。
2.5K31发布于 2020-08-03 - 来自专栏Listenlii的生物信息笔记
zetadiv: 计算zeta多样性
通过R包zetadiv可以方便的计算zeta多样性，及其距离衰减规律。 #安装 install.packages("Zetadiv") library(zetadiv) ? Zeta.decline.mc #Zeta.decline.mc： 蒙特卡罗抽样方法计算zeta多样性随阶数的下降 Zeta.decline.mc( data.spec, ##行为样本，列为物种 combinations ##样本各种可能的组合情况 [1] 123 7503 302621 9078630 216071394 $zeta.val ##不同阶数的zeta多样性 [1] 92.44715 85.67000 77.11000 73.61000 71.66000 $zeta.val.sd ####不同阶数的zeta多样性的标准偏差 [1] 19.69822 16.76218 此外该包还有一下功能： zeta.varpart 通过距离和环境变量对zeta多样性进行分解。
1.2K71发布于 2020-08-05 - 来自专栏机器之心
线上分享 | 解决Feed流推荐中的多样性问题，小红书新算法入选KDD 2021
Explore Feed 是小红书最主要的推荐场景，‘Explore‘意为发现，结合用户历史喜好进行推荐的同时，提供多样性的内容，帮助用户发现新的兴趣也是其中的一个重要目标。 那么，小红书针对 Feed 流推荐的多样性采取什么样的解决方案呢？ 8 月 16 日 19:00-20:00，机器之心最新一期线上分享邀请到了论文一作、小红书智能分发部算法工程师黄彦华，为大家详细介绍小红书在多样化 Feed 推荐方面的工作，包括多样性算法 SSD 和相应落地效果 分享主题：Feed 流推荐中的多样性 分享摘要：Feed 流是一种常见的推荐形式，例如抖音的视频单列和淘宝的首页推荐。 在本次分享中，我们将从用户和系统的视角，向大家介绍小红书在多样化 Feed 推荐上的工作。首先介绍多样性算法 SSD，然后探讨如何公平地计算相似性，最后会讨论一下我们的落地效果。
1K10编辑于 2023-03-29 - 来自专栏微生态与微进化
定义群落测度：α多样性分析
01 α多样性指数简介 α多样性指数反应群落内物种数量及其相对丰度，为群落内各物种利用同一生境互相竞争或共生的结果，比较不同样本的α多样性指数可以看出不同样本多样性差异。 02 α多样性指数计算 扩增子数据分析常用的工具QIIME2和Mothur均能计算α多样性指数。 ()函数来计算微生物群落的alpha多样性指数，但不能计算系统发育多样性指数。 作图结果如下所示： 04 α多样性稀释曲线 稀释曲线展示的是在不同测序深度（即抽样水平）下群落多样性的变化。 ，也可以是shannon等多样性指数；而phylo.diversity命令则可以产生系统发育多样性的稀释曲线。
9.6K20编辑于 2022-05-05 - 来自专栏微生态与微进化
分析样本差异：β多样性距离
Q: 什么是β多样性？ A: β多样性是指在一个梯度上从一个生境到另一个生境所发生的多样性变化的速率和范围，它是研究群落之间的种多度关系。不同群落或某环境梯度上不同点之间的共有种越少，β多样性越大。 精确地测定β多样性具有重要的意义。这是因为：①可以用来指示物种被生境隔离的程度；②可以用来度量生物多样性沿生境变化范围；③β多样性与α多样性一起构成了总体多样性或一定地段的生物异质性。 01 β多样性指数简介 β多样性指数可以分为群落成分指数与群落结构指数。 Whittaker指数越大表明不同生境的样方之间共有物种越少，物种多样性变化越大。 02 β多样性距离计算 QIIME2、Mothur等软件均可计算β多样性距离指数。
5K10编辑于 2022-05-05 - 来自专栏start
多样性：AIGC中的重要维度
在人工智能生成内容（AIGC）的快速发展中，“多样性”这一概念日益受到重视。多样性不仅是创作内容的关键因素，同时也是提升用户体验、满足不同需求的重要方式。 本文将探讨多样性在AIGC中的重要性，分析其应用场景，并通过代码示例展示如何在生成内容时实现多样性。 多样性的意义 在内容生成的过程中，多样性意味着生成的内容能够涵盖广泛的主题、风格和形式。 例如，在一个新闻推荐系统中，如果系统只推荐同类新闻，用户可能会感到乏味，而如果能够提供多样化的新闻主题，就能更好地吸引用户的注意力。 多样性的应用场景 内容推荐：如视频平台、社交媒体等，通过多样化的推荐内容，帮助用户发现新兴趣。 文本生成：在文章、故事、诗歌等创作中，通过多样的写作风格和主题，提升作品的吸引力。 艺术创作：在音乐、绘画等艺术领域，多样性能够带来更多的创意和灵感。 实现多样性的方法 要实现内容的多样性，我们可以采取以下几种方法： 主题多样化：确保生成内容涵盖多个主题。
34110编辑于 2025-03-14 - 来自专栏机器学习与推荐算法
麦吉尔大学最新搜索与推荐多样性研究综述，多角度介绍其研究进展
TLDR：本综述收集了最新的面向搜索与推荐应用的多样性论文，并在统一的组织体系下总结了该方向的方法类型、评价指标和所用技术。另外，对现有的多样性技术进行详细分析并提出了分类法，同时讨论其优点和缺点。 近年来，伴随着大量关于搜索和推荐多样性的方法的文献，人们对多样性意识的研究越来越关注。 然而，检索系统中（搜索与推荐领域）的多样性研究缺乏一个系统的组织，并且研究点相对零散。 在本综述的开始，简要讨论了为什么多样性在检索系统中很重要，然后总结了搜索和推荐中的各种多样性问题，强调了它们之间的关系和区别。 比如检索中的内在和外在多样性，以及推荐中的个人级别和系统级别的多样性等。 在综述的主体部分，本文从搜索和推荐的角度对检索系统中的多样性指标和方法进行了统一的分类。 在综述的后半部分，讨论了搜索和推荐中多样性研究的开放性研究问题，具体包括时间依赖性、评价指标的直接优化以及可解释性的多样性等，希望以此激发未来创新，鼓励在现实世界的系统中实施多样性。
49630编辑于 2023-01-10
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号