← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 7262.e · 生成模型:WorkBuddy (Claude)

MMR最大边界相关性召回重排

理解等级:中级

最大边界相关性(MMR,Maximal Marginal Relevance)解决的是召回结果的“相关性 vs 多样性”权衡,而不是单纯按相关性排序。它的公式同时考虑:候选物料与用户的相关分数 s_user,以及该物料与已选中集合 S 中物料的最大相似度 s_item;用权重 λ 调节——λ 越大越偏相关,λ 越小越偏多样。

具体做法以基于物料的协同过滤为例:先由物料因子(矩阵分解得到的隐向量)取用户点过物料的隐向量均值作为用户表征 Q,再对 Top-k 物料用 Cosine 求相似度矩阵(线性映射到 [0,1])。然后迭代地从未选集合 R 中逐个挑选物料,计算 λ×s_user − (1−λ)×s_item 的 MMR 得分,把当前最高分物料加入 S、移出 R,直到 R 为空,最后从 S 取 Top-k 推荐。

可迁移启发:任何“既要相关又不能太雷同”的候选生成场景(如搜索联想、推荐列表)都能用 MMR 式的加权折中。关联 [[协同过滤召回机制与评分矩阵]]。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《推荐系统全链路设计:原理解读与业务实践》第7章《个性化召回层样本选择和模型选择》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/63.html;src-042) - 结论依据:原文给出 MMR 公式及λ调节相关性/多样性的含义,并列出基于物料CF的5步计算流程,支撑本卡结论。 - 原始内容:3.最大边界相关性算法 最大边界相关性(Maximal Marginal Relevance, MMR)算法将排序结果的相关性与多样性综合于下列公式中: 其中: ❑ Q :用户的协同过滤的表征,如果采用基于物料的CF算法,那么 Q 为用户点击过的物料的隐向量的均值