在推薦中，多樣性並不是目的，而是一種提高用戶粘度或是驚喜度的手段。記得在17年的時候在公司做的一個新聞文本摘要項目(那時候沒有用到深度學習中的生成式方法是因為：一是沒有gpu機器；二是樣本不夠。而且深度學習的這種生成式方法有時候真的不是太准，即生成的摘要有時候是不通順的或是不知道説啥，這個還需要后續繼續研究。)用到的是抽取式方案，即抽出幾個關鍵句子作為文本的摘要。再結合最大邊緣相關(MMR)解決相似句子問題，MMR原本是用於query與docs搜索匹配問題，后面被我改動用於解決抽取關鍵句的多樣性方法，見https://www.cnblogs.com/little-horse/p/7191287.html。
這幾天正好看到了有篇資料是將MMR用於緩解推薦的多樣性問題，説的是先用某種推薦模型如協同中的item或是矩陣分解等挖掘出top-n商品，然后將item分數以及item相似矩陣輸入到MMR中再進行多樣性的調整進行重排序及top推薦。所以准備試一下，待續...
參考： 1.https://zhuanlan.zhihu.com/p/102285855?utm_source=qq
2.The Use of MMR, Diversity-Based Reranking for Reordering Documents and Producing Summaries
3.Maximal Marginal Relevance to Re-rank results in Unsupervised KeyPhrase Extraction