知识卡片

普通读书笔记卡 · 9817.h · 生成模型:DeepSeek-V4.1-Flash

多样性的列表内与列表间

理解等级:中级

多样性有两个层次,方向容易记反:

个体多样性看单个用户的推荐列表内部是否同质。做法是计算列表 L_u 内所有物品两两的相似度再取平均(IntraSimilarity);系统中所有用户这一数值的平均,就是整体意义上的「列表内相似度」。

整体多样性看不同用户的推荐列表之间是否雷同,用列表 L_u 与 L_v 的重叠度衡量。所有人都被推同样的爆款,个体列表可能还算多样,但整体多样性极差。

关键易错点:IntraSimilarity 越大,说明列表内物品越像,也就是多样性越低——指标值与多样性方向相反。写报告时要说清是相似度还是多样性,否则结论会被读反。

提升手段:对标的物聚类后按类配额、混入不同类目、在排序阶段加入多样性惩罚。

边界:多样性不是越高越好。它与准确度、短期点击通常冲突,本质是用一点即时收益换兴趣探索与长期留存;对目标极其明确的场景(用户就是要找某一部片子),强行多样化会直接伤害体验。[[A/B实验为何与离线背离]]

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

    • 第9章 推荐系统的评价 · 查看原书依据

      整体推荐列表内相似度可用系统中所有用户的推荐列表列内的所有物品的平均相似度的平均值衡量: IntraSimilarity值越大,说明用户的推荐列表内的物品平均相似度越高,也就是系统整体的个体多样性越低。

    参考来源

    - 位置:《智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)》第9章 推荐系统的评价(源文件:extracted/智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)/_epub-src/text/part0126.html) - 结论依据:原文明确指出 IntraSimilarity 越大代表个体多样性越低,这是「指标方向与直觉相反」这一易错点的直接依据。 - 原始内容:整体推荐列表内相似度可用系统中所有用户的推荐列表列内的所有物品的平均相似度的平均值衡量: IntraSimilarity值越大,说明用户的推荐列表内的物品平均相似度越高,也就是系统整体的个体多样性越低。