打散作為推薦系統比較重要的數據處理邏輯，是推薦系統避免數據扎堆最重要的實現手段，本次介紹推薦算法中最簡單的輪詢算法。
輪詢算法一般分為單維度、雙維度輪詢，所以本文主要介紹，單維度輪詢和雙維度輪詢兩種。
單維度輪詢：
單維度輪詢主要是把數據按照某一個角度進行分類，比如推薦業務中，相同品牌的商品不能相鄰出現，這里可以對數據集作以下處理，具體流程如下
注：不同的形狀代表不同的品牌
按照品牌分類前的結果集如下圖：
按照品牌分類后的結構如下圖(形狀)：
針對以上結構，可輪詢每個分類，每次取分類中某個位置的一個元素，最終輪詢結果如下：
根據上面結果可見，當某個分類比較多時（如圖中的三角形有5個），容易導致尾部扎堆現象出現，這也是分類輪詢比較大的缺點。
雙維度輪詢：
雙維度輪詢即在單維度輪詢的基礎上，再次對單維度分類結果進行第二個分類去分類，然后對第二個維度分類結果輪詢，再輪詢第一個結果分類，比如推薦業務中按照四級商品組（形狀），品牌（字體顏色）輪詢，大體流程如下
分類：原始結果集 -》 維度一分類 -》 維度二分類
輪詢：維度二分類結果輪詢 -》 維度一分類結果輪詢 -》 最終輪詢結果集
原始結果集
分類結果
維度二輪詢
維度一輪詢（最終結果）
這種情況會打的更散，但是依舊無法解決維度扎堆的情況，只能相對縮小扎堆的可能性（9、10依舊扎堆，一般來說，標准差越大，越不適合用這種打散方式）