文章目录
一、介绍
随着推荐系统的快速发展，准确性已经不再是评估推荐结果是否满意的唯一黄金标准。近年来，多样性由于可以有效地提升用户的满意度，逐渐得到更多的关注。一方面，多样性推荐提升了回应用户短暂需求的机会，另一方面，多样性推荐结果能帮助商家提高产品知名度和发掘用户潜在需求。
本文为综述文章，整理分析了多样性推荐算法的最新研究。具体来说，本文首先回顾多样性的各种定义，阐明在推荐系统中如何建模或测量多样性。在此基础上，从分类的角度总结多样性推荐算法的主要优化方法。最后对未来进行预测，讨论可能的研究方向。
多样性的需求体现在各种信息检索任务中。这一问题最初是在20世纪90年代末由搜索结果多样性带来的，因为提交给搜索引擎的查询往往很短且模棱两可[1]。例如，关键字“Java”可能有不同的解释，可能是编程语言、咖啡或岛屿。多样性的搜索结果可以大大提高领会用户真正意图的机会。在过去的十年中，人们提出了各种方法来促进搜索结果的多样性[2-7]。
2000年初，推荐系统研究者开始关注多样性，认为多样性是提高推荐结果用户满意度的重要因素[8]。与搜索引擎不同，因为没有提供关键字，推荐系统没有这样的权限窥视用户的当前意图。推荐系统通常使用的是用户过去与物品（如书籍、电影、新闻和产品）的交互（如浏览、点击和购买），从中推断用户的一般偏好和兴趣，然后选择与他/她的偏好和兴趣最匹配（最相关）的物品。然而，在早期，推荐系统中的许多多样性算法最初是从搜索结果多样性中借用的。在不失去一般性的前提下，本文以推荐系统为基础，对多元化技术的最新发展进行了综述。
一般来说，在推荐系统中，有两种主要的方法，即基于内容的方法和基于协作过滤的方法。这些方法本质上是基于相似性的，通常会产生次优结果。例如，基于内容的方法倾向于生成符合用户兴趣的物品，但涵盖的主题范围非常窄。基于协作过滤的方法通常更倾向于流行的物品，并且一些长尾物品永远也没有机会被推荐[9]。针对上述问题，提出了多样性的建议。一方面，多样性的推荐结果可能有助于增加回应用户短暂需求的机会，特别是对于具有广泛兴趣的用户而言。另一方面，多样性的建议可以通过增加这些长尾物品的暴露率，帮助企业提高产品知名度。
二、多样性的定义
推荐系统的多样性可以在个人或总体水平上观察。个体多样性是指给定用户的推荐的多样性，而总体多样性是指所有用户的推荐的多样性。尽管总体多样性是个体多样性的综合观点，但更高的个体多样性并不一定意味着更高的总体多样性[10]。例如，如果系统推荐相同的物品集，则每个用户的推荐列表是非常多样的（即高个体多样性）。 但是，总体多样性很低。
例如，如果系统向所有用户推荐同一组五个不同的物品，则每个用户的推荐列表非常不同（即，个体差异很大）。但是，系统只能推荐整个物品池中的五个物品，因此，总体多样性较低。
从另一个角度来看，个体多样性关注的问题是如何在生成推荐列表时，面对已经推荐的物品，最大限度地提高物品的新颖性，而总体多样性则可以看作是如何提高推荐系统推荐长尾物品的能力的问题。为提高推荐结果的总体多样性，很多人提出了一些想法[11-13]，以抵消物品受欢迎的影响。
同时，为了提高个体的多样性，最大限度地提高物品间的新颖性，已经开展了一个更大范围的研究。因此，本文将重点放在个体多样性上，除非另有明确规定，否则在整个论文中将其简单地称为多样性。在本节的其余部分将回顾多样性的各种定义，并提出一个分类法，如图1所示，它可以包含多样性的不同视图。
2.1显式的特征 v.s. 隐式的特征
多样性的定义通常涉及物品之间的差异性度量，观察的第一种方法是是否使用显式或隐式特征进行比较。具体来说，显式特征指的是描述物品的属性（例如，类型、品牌和价格）或语义分类（例如，主题层次结构）[14]。基于内容的过滤经常使用这些信息来执行物品之间的相似性匹配。但是，显式特征可能并不总是可用的，在这些情况下，隐式特征可以用来描述物品的属性。隐式特征又可分为两类：观察型和习得型。观察型隐式特征是指一些用户生成的数据，例如浏览、点击、购买记录等，这些信息也常用作推荐系统中的隐式反馈，作为协作过滤的证据[15]。此外，物品特征也可以从隐式或显式反馈中习得，其中显式反馈通常是指通过潜在因素模型在推荐系统中的评级[16]。潜在因素包括上述显式特征的计算机化替代。潜在因素的好处在于，它们可以测量由显式特征描述的明显维度，以及定义不太明确的维度或完全不可理解的维度，而这些维度不能被显式特征捕获[16]。这些潜在特征在本文中被称为习得的潜在特征。
2.2成对度量 v.s. 集合级别度量
观察的第二种方法是多样性是否基于物品特征（不管显式还是隐式）之间的成对比较，或基于整个推荐物品集的浏览。成对度量通常定义为物品之间的差异性函数，并使用平均差异性来表征推荐列表的多样性[1, 8, 17]。差异性度量可以基于显式特征[14, 18-21]或隐式特征来定义。
集合级别度量将整个推荐物品集合的效用定义为一个整体。覆盖率是广泛使用的集合级别多样性度量之一。覆盖率可以根据推荐物品所涵盖的不同物品[22, 23]或主题[9, 24]的数量按比例衡量。近年来，另一种集合级别多样性度量方法得到了迅速普及，它是一种称为行列式点过程（DPP）的概率模型。DPP起源于量子物理，给出了费米子系统在热平衡下的分布。正如DPP精确地描述了费米子的排斥作用一样，模拟多样性是很自然的。DPP包含一个由整个候选物品集索引的半正定核矩阵L，其对角项获取物品的质量，而非对角项测量物品之间的相似性。一旦确定了L，观察物品集S的任何子集的概率与det(Ls)成比例。由于矩阵行列式的性质，越是具备多样性的物品，一起被采样的概率就越高。DPP内核矩阵 可以看作是所有物品的整个特征空间的模型，可以从数据中学习[25-29]，也可以从显式或隐式物品特征中精心构造[30]。
三、 多样性的优化
多样性推荐通常被视为双标准优化问题，一方面寻求最大化推荐列表的整体相关性，同时最小化推荐物品之间的冗余[31]。因此，大多数多样性推荐方法中一个共同的目标是在推荐结果的相关性和多样性之间保持适当的权衡[1]。
在推荐系统中，为了实现上述目标提出了多种方法。一般来说，可以根据优化是以离线方式还是在线方式进行，将主要方法分为两大类。在离线设置中，推荐系统通常根据用户和物品之间的历史交互生成推荐。有了这些数据，在相关性和多样性之间进行权衡的主要方法有三种，即后处理方法、学习排序方法和基于行列式点过程的方法。然而，这些离线方法通常忽略了用户与推荐系统之间的交互作用，因此无法利用用户的即时和长期反馈来提高推荐系统的性能。另一方面，在在线设置中，推荐系统明确模拟用户与推荐系统之间的交互，允许推荐系统根据用户的反馈以交互的方式更新推荐策略。两种流行的方法被用来使在线互动推荐的推荐结果多样性，即上下文强盗和深度强化学习。在图2中总结了这个分类法。接下来将讨论遵循这个分类法的主要方法。
3.1 非交互式方法
非交互式方法通常使用历史的用户-物品交互数据对离线模型进行训练，然后根据训练后的模型生成建议。在本节中回顾了用于多样性推荐的三种非交互式方法，即后处理方法、学习排序方法和行列式点过程。
后处理方法
关于多样性建议的早期工作通常采用启发式后处理方法，力求在前N个建议列表中的相关性和多样性之间取得平衡[19]。这些方法可以分为两类：1）贪心启发式，其中通过最大化边际相关性贪心地一个接一个地构造推荐列表；2）精炼启发式，其中物品首先根据相关性度量进行排名，然后通过引入多样性度量进行精炼。
关于贪心启发式的开创性方法是最大边际相关性（MMR）[1]，其首先通过独立度量表示相关性和多样性，然后使用边际相关性的概念将两个度量与权衡参数组合。MMR通过在每次交互中选择物品来创建物品的多样性排名，从而最大化边际相关性。其他的贪心启发式方法在边际相关性的定义上有所不同，通常采用次模目标函数的形式，可以用近似最优解通过贪心算法求解。例如，在2013年Qin[19]提出了一种熵正则化器来获取满足单调性和次模性的多样性概念。然后将其与模块化评级集功能相结合，该功能提供次模目标函数。该子模块目标近似通过贪心算法最大化。在2015年Ashkan[9]提出了另一种称为多样性加权效用最大化的次模目标函数，然后通过贪心算法使其最大化。在2016年Sha[32]提出了一个次模目标函数来结合相关性、用户兴趣的覆盖范围和物品之间的多样性。
精炼启发式通常通过一些后处理操作对预先排序的物品列表重新排序。例如，2005年Ziegler[14]基于分类信息定义了一个相似性度量，以计算用于确定推荐列表的整体多样性的列表内相似性，并通过将不同级别与原始级别合并来增加多样性。2008年Zhang和Hurley[17]基于特征空间（显式或隐式特征）定义物品相似性，并通过将双准则优化问题放宽为信任区域问题来优化多样性。2009年Yu[33]提出了基于解释的多样性概念，然后制定了两种重新排序策略，即交换策略和贪婪策略，以促进Top-N推荐的多样性。2011年Boim[34]采用基于物品的CF作为推荐，并用用户的评级向量表示每个物品。利用皮尔逊相关系数来度量物品之间的相似性，通过构建优先覆盖树来提高推荐列表的多样性。
学习排序方法
后处理方法主要在排名阶段起到一定的作用。然而，这种策略是次优的，因为每一步的错误都可能导致排名绩效的累积损失，可能需要对权衡参数进行广泛的调整[35]。为了缓解这些问题，另一组研究提出直接为每个用户学习一个最佳的排名，称为学习排序方法（LTR）。
LTR方法的目标是向每个用户提供正确的推荐顺序，而不是对每个候选物品进行精确的分数预测。对于多样性的推荐，LTR的主要问题是定义一个理想的排名，将相关性和多样性作为学习的基础事实。最近在这方面做了一些工作，例如，2017年Cheng[20]将每个用户视为一个训练实例，由一组经验确定的相关和不同的物品标记，提出了一种自动启发式标记方法来权衡相关性和多样性。LTR正成为一个有监督的学习问题。2017年Li[35]通过提出分数公式，对特定推荐位置的候选物品的贡献进行建模，从而定义了一个理想的推荐列表，该列表结合了相关性和多样性。LTR成为一个利用成对损失函数优化评分模型的问题。
行列式点过程
大多数后处理方法和LTR方法采用成对的多样性度量，这是次优的，因为它们忽略了物品之间的相关性[30]。此外，使用当前的技术，类似的物品可能具有相似的质量分数，这使得对排名表的每一个可能排列进行评分以生成平衡相关性和多样性的理想推荐变得昂贵[29]。另一个研究方向是通过称为行列式点过程（DPP）的多样性概率模型来解决上述问题。
正如前面第2.2节所介绍的，DPP包含一个内核矩阵L，由整个候选物品集索引，其对角项获取物品的质量，而非对角项测量物品之间的相似性。L核矩阵对物品的整个特征空间进行建模，并获取它们之间的相关性，这优雅地解决了第一个问题。一旦确定了L，就可以应用各种有效的顺序抽样技术，生成一份不同的相关物品清单供推荐[29, 30]，巧妙地解决了第二个问题。
有两种方法可以确定 ，要么从数据中学习，要么从经验上构造。例如，2018年Wilhelm[29]建议从观察到的历史交互物品集合中学习 ，然后使用近似推理算法有效地从所学 中取样。其他一些论文[25-28]也采用了类似的想法，但主要将DPP用于购物篮填写任务，而不是多样性推荐[30]。2018年Chen建议使用质量分数和物品特征构建 。在构造 时引入了一个权衡参数来平衡相关性和多样性的考虑，并在此基础上建立了一个快速的贪婪最大后验估计（MAP）推理，以有效地从构造的 中提取样本。
3.2 交互式方法
交互式方法通常通过重复以下步骤来训练在线推荐模型：推送推荐结果、收集反馈和更新模型。在本节中回顾了两种不同推荐的互动方法，即上下文赌博机和深层强化学习。
上下文赌博机
非交互方法利用用户和物品之间的历史交互数据生成相关建议，推断用户的一般偏好。然而，在现实世界中，随着时间的推移，新用户和新物品频繁加入系统，用户配置文件动态更新，这在推荐系统中被称为冷启动问题。这样的问题可以自然地被建模为一个上下文多臂赌博机（CMAB）问题。以电影推荐为例，在CMAB设置中，推荐系统可以给新用户重复提供一组电影（称为超级手臂），并在多轮中收集用户的反馈。CMAB算法有助于根据用户的反馈决定是尝试一些新电影（即探索）还是坚持用户喜欢的电影（即利用）。
在CMAB环境下，通过为超级手臂设计一个相关多样性双标准奖励函数来促进多样性。例如，在2014年Qin[36]把熵正则化器纳入奖励函数（最初仅由相关性组成），以促进所选超级手臂的多样性。2017年Wang[37]在CMAB环境中探索了三种多样的奖励函数，包括MMR[1]、熵正则化器[36]和基于用户的时间切换[38]。
深层强化学习
上下文赌博机方法通常假定用户的状态是不变的。然而，在现实世界中，用户的偏好随时间而动态变化[37]。这些信息可以在强化学习（RL）框架中自然获取。在RL设置中，推荐系统可以被视为一个代理。它感知环境的状态（即用户当前的首选项），并相应地生成一个操作（即推荐一组物品）。然后，它根据用户提供的反馈收集奖励，并通过优化当前奖励或/和累积的未来奖励来更新其推荐策略。
在RL设置中，采用有效的探索-利用策略促进了多样性。例如，在2018年Zheng[39]采用了一种决斗赌博机梯度下降算法在深度强化学习框架中进行探索，该框架选择当前推荐者附近的随机候选物品。这种探索策略可以促进多样性，同时避免推荐完全无关的物品，从而保持推荐的准确性。
总结
简单小结，LTR和DPP是解决离线环境下多样性推荐问题的两种最新趋势方法。总的来说，在线环境下多样性推荐的方法比离线环境下的方法研究得少。Deep RL是一个研究在线环境下多样性交互推荐的趋势框架。
四、未来预测
4.1 个性化多样性
由于多样性推荐常被视为一个双准则优化问题，因此目标函数（或交互推荐中的奖励函数）通常涉及多样性和准确性之间的权衡参数。在大多数多样性的推荐方法中，该参数本质上是全局的，这意味着所有用户都采用相同的参数来平衡多样性和准确性[40]。在学习排序方法中，可以避免在目标函数中定义这样一个权衡参数，因为最优排序是直接从标注集中学习的。然而，在确定平衡多样性和准确性的适当的标注集时，会出现同样的问题。
很自然，不同的用户有不同的多样性喜好。一些用户一些用户可能有非常集中的喜好而另一些用户有非常广阔的喜好。所以，以全局方式处理权衡参数可能是次优的。比如说，盲目向兴趣集中的用户提高推荐的多样性肯定会损害推荐结果的准确性。然而，如何学习用户对推荐结果多样性的个人偏好，如何个性化每个独立用户的权衡参数，一直是一个开放的问题。
4.2 时间多样性
大多数现有的多样性推荐方法聚焦于提高一个推荐环节中推荐结果的多样性，但忽视了贯穿多个推荐环节时推荐结果的多样性。后一个问题首先被Lathia[38]在2010年提出了，并被定义为时间多样性问题。时间多样性解决相同的物品一次又一次推荐给用户的问题，或者被推荐的商品是否呈现一定程度的新颖性[41]。
时间多样性的问题在非交互式的推荐系统中特别突出，比如类似的物品被重复推荐给用户直到推荐模型更新基于新生成的用户-物品交互信息。Lathia[38]在2010的研究中研究了各种切换或重新排序策略的算法，以促进一些非交互式推荐模型（比如CF、k-NN、SVD）中的时间多样性。然而，时间多样性可以更自然地在交互式推荐模型中建模，因为交互式推荐模型通常是建立在一段时间的基础上。此外，在交互式推荐模型中，时间多样性可以转化为一个探索利用问题，因为更多的探索可能导致更高水平的时间多样性。然而，很少有研究在促进时间多样性的交互式推荐模型上。
4.3 可解释多样性
传统推荐系统面临的一个常见问题是，推荐系统只提供一组推荐物品，而不提供解释，使用户或系统设计者知道推荐这些商品的原因。然而，有意义和时尚的解释有助于提高推荐结果的有效性、效率和说服力。近年来，可解释性推荐正迅速流行，以增强复杂推荐模型背后逻辑的透明度[42]。
目前大多数可解释的推荐方法都侧重于寻找推荐结果与相关用户或物品之间的关联，以文本或视觉格式生成各种形式的解释[42]。然而，研究如何正确解释多样性推荐仍然是一个空白领域。这可能涉及研究新的解释策略或理论，因为多样性不仅突出了单个物品的相关性，而且还突出了物品面对已推荐物品的新颖性。
4.4 视觉多样性
在很多真实世界的推荐系统应用里，比如在线商城网站，推荐结果往往被显示为一页物品展示，用户能通过视觉浏览快速扫描大量潜在的购买[43]。因此，一个精心设计的商品展示策略能潜在地提高用户在线视觉浏览体验，帮助他们发现商品[44]。
为此，Teo[44]在2016年首次尝试了将视觉购物体验多样性，他采用了次模多样性框架来基于类别信息把得分最高的物品重新排列。但是，这个方法本质上还是物品重排，没有考虑其他可能影响用户视觉体验的重要信息，比如被展示物品的相对位置和图形。因此，视觉多样性仍然是未来研究的另一个有趣的领域。
4.5 心理学驱动的多样性
如果观察到推荐系统的研究，他们本质上是数据驱动的。然而，数据是人产生的，只获取了用户的决策结果而非决策过程。所以问题是，能通过更好地了解用户搭建出更好的预测模型吗？这需要多学科理论的协同作用，如心理学、社会科学、神经科学，当然还有数据科学。
人类天生喜欢新奇，这是因为他们天生的好奇心[18]，这就需要多样性的刺激。Wu[21]在2016年通过模拟用户的社会好奇心，借鉴人类心理学中关于如何通过惊喜刺激好奇心的观点，首次尝试产生多样性的推荐。社会好奇心不仅帮助产生了更多有多样性的推荐表，而且帮助揭示了很多获得朋友们意外的高评价的很多长尾物品。然而，这些想法还在推荐系统研究的早期阶段，并为提高推荐表现和用户体验打开了新的可能的道路。
五、总结
多样性在提高建议结果的趣味性和意义上发挥着重要作用，有利于最终用户和业务提供商。近二十年来，推荐系统的研究者们对其进行了广泛的研究。然而，在这一研究领域仍有许多尚未解决的问题。本文对近年来多元化推荐的研究进展进行了回顾和分析，并对新的研究方向进行了展望。更具体地说，本文首先回顾了推荐系统中多样性的各种定义，概述了如何对多样性进行建模或度量，然后总结了多样性推荐的主要优化方法。在全面回顾的基础上，本文对未来进行了预测，分别从个性化、时间特征、可解释性、视觉体验和人类心理学等方面进行了讨论。
六、参考文献
[1] CARBONELL J G, GOLDSTEIN J. The Use of MMR and Diversity-Based Reranking for Reodering Documents and Producing Summaries[J]. 1998.
[2] DROSOU M, PITOURA E. Search result diversification[J]. SIGMOD record, 2010,39(1):41-47.
[3] WELCH M J, CHO J, OLSTON C. Search result diversity for informational queries: Proceedings of the 20th international conference on World wide web, 2011[C]. ACM.
[4] ZHU Y, LAN Y, GUO J, et al. Learning for search result diversification: Proceedings of the 37th international ACM SIGIR conference on Research & development in information retrieval, 2014[C]. ACM.
[5] LIANG S, REN Z, De RIJKE M. Personalized search result diversification via structured learning: Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining, 2014[C]. ACM.
[6] XIA L, XU J, LAN Y, et al. Adapting Markov decision process for search result diversification: Proceedings of the 40th International ACM SIGIR Conference on Research and Development in Information Retrieval, 2017[C]. ACM.
[7] XU J, XIA L, LAN Y, et al. Directly optimize diversity evaluation measures: a new approach to search result diversification[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2017,8(3):41.
[8] BRADLEY K, SMYTH B. Improving recommendation diversity: Proceedings of the Twelfth Irish Conference on Artificial Intelligence and Cognitive Science, Maynooth, Ireland, 2001[C]. Citeseer.
[9] ASHKAN A, KVETON B, BERKOVSKY S, et al. Optimal greedy diversity for recommendation: Twenty-Fourth International Joint Conference on Artificial Intelligence, 2015[C].
[10] ADOMAVICIUS G, KWON Y. Improving aggregate recommendation diversity using ranking-based techniques[J]. IEEE Transactions on Knowledge and Data Engineering, 2011,24(5):896-911.
[11] BRYNJOLFSSON E, HU Y, SMITH M D. Research commentary—long tails vs. superstars: The effect of information technology on product variety and sales concentration patterns[J]. Information Systems Research, 2010,21(4):736-747.
[12] ADOMAVICIUS G, KWON Y. Maximizing aggregate recommendation diversity: A graph-theoretic approach: Proc. of the 1st International Workshop on Novelty and Diversity in Recommender Systems (DiveRS 2011), 2011[C]. Citeseer.
[13] OESTREICHER-SINGER G, SUNDARARAJAN A. Recommendation networks and the long tail of electronic commerce[J]. Available at SSRN 1324064, 2010.
[14] ZIEGLER C, MCNEE S M, KONSTAN J A, et al. Improving recommendation lists through topic diversification: Proceedings of the 14th international conference on World Wide Web, 2005[C]. ACM.
[15] RENDLE S, FREUDENTHALER C, GANTNER Z, et al. BPR: Bayesian personalized ranking from implicit feedback: Proceedings of the twenty-fifth conference on uncertainty in artificial intelligence, 2009[C]. AUAI Press.
[16] KOREN Y, BELL R, VOLINSKY C. Matrix factorization techniques for recommender systems[J]. Computer, 2009(8):30-37.
[17] ZHANG M, HURLEY N. Avoiding monotony: improving the diversity of recommendation lists: Proceedings of the 2008 ACM conference on Recommender systems, 2008[C]. ACM.
[18] WU Q, MIAO C. Curiosity: From psychology to computation[J]. ACM Computing Surveys (CSUR), 2013,46(2):18.
[19] QIN L, ZHU X. Promoting diversity in recommendation by entropy regularizer: Twenty-Third International Joint Conference on Artificial Intelligence, 2013[C].
[20] CHENG P, WANG S, MA J, et al. Learning to recommend accurate and diverse items: Proceedings of the 26th international conference on World Wide Web, 2017[C]. International World Wide Web Conferences Steering Committee.
[21] WU Q, LIU S, MIAO C, et al. A social curiosity inspired recommendation model to improve precision, coverage and diversity: 2016 IEEE/WIC/ACM International Conference on Web Intelligence (WI), 2016[C]. IEEE.
[22] WU L, LIU Q, CHEN E, et al. Relevance meets coverage: A unified framework to generate diversified recommendations[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2016,7(3):39.
[23] PUTHIYA PARAMBATH S A, USUNIER N, GRANDVALET Y. A coverage-based approach to recommendation diversity on similarity graph: Proceedings of the 10th ACM Conference on Recommender Systems, 2016[C]. ACM.
[24] VARGAS S, BALTRUNAS L, KARATZOGLOU A, et al. Coverage, redundancy and size-awareness in genre diversity for recommender systems: Proceedings of the 8th ACM Conference on Recommender systems, 2014[C]. ACM.
[25] GILLENWATER J A, KULESZA A, FOX E, et al. Expectation-maximization for learning determinantal point processes: Advances in Neural Information Processing Systems, 2014[C].
[26] MARIET Z, SRA S. Fixed-point algorithms for learning determinantal point processes: International Conference on Machine Learning, 2015[C].
[27] GARTRELL M, PAQUET U, KOENIGSTEIN N. Bayesian low-rank determinantal point processes: Proceedings of the 10th ACM Conference on Recommender Systems, 2016[C]. ACM.
[28] GARTRELL M, PAQUET U, KOENIGSTEIN N. Low-rank factorization of determinantal point processes: Thirty-First AAAI Conference on Artificial Intelligence, 2017[C].
[29] WILHELM M, RAMANATHAN A, BONOMO A, et al. Practical Diversified Recommendations on YouTube with Determinantal Point Processes: Proceedings of the 27th ACM International Conference on Information and Knowledge Management, 2018[C]. ACM.
[30] CHEN L, ZHANG G, ZHOU E. Fast greedy MAP inference for Determinantal Point Process to improve recommendation diversity: Advances in Neural Information Processing Systems, 2018[C].
[31] GOLLAPUDI S, SHARMA A. An axiomatic approach for result diversification: Proceedings of the 18th international conference on World wide web, 2009[C]. ACM.
[32] SHA C, WU X, NIU J. A Framework for Recommending Relevant and Diverse Items.: IJCAI, 2016[C].
[33] YU C, LAKSHMANAN L, AMER-YAHIA S. It takes variety to make a world: diversification in recommender systems: Proceedings of the 12th international conference on extending database technology: Advances in database technology, 2009[C]. ACM.
[34] BOIM R, MILO T, NOVGORODOV S. Diversification and refinement in collaborative filtering recommender: Proceedings of the 20th ACM international conference on Information and knowledge management, 2011[C]. ACM.
[35] LI S, ZHOU Y, ZHANG D, et al. Learning to Diversify Recommendations Based on Matrix Factorization: 2017 IEEE 15th Intl Conf on Dependable, Autonomic and Secure Computing, 15th Intl Conf on Pervasive Intelligence and Computing, 3rd Intl Conf on Big Data Intelligence and Computing and Cyber Science and Technology Congress (DASC/PiCom/DataCom/CyberSciTech), 2017[C]. IEEE.
[36] QIN L, CHEN S, ZHU X. Contextual combinatorial bandit and its application on diversified online recommendation: Proceedings of the 2014 SIAM International Conference on Data Mining, 2014[C]. SIAM.
[37] WANG L, WANG C, WANG K, et al. Biucb: A contextual bandit algorithm for cold-start and diversified recommendation: 2017 IEEE International Conference on Big Knowledge (ICBK), 2017[C]. IEEE.
[38] LATHIA N, HAILES S, CAPRA L, et al. Temporal diversity in recommender systems: Proceedings of the 33rd international ACM SIGIR conference on Research and development in information retrieval, 2010[C]. ACM.
[39] ZHENG G, ZHANG F, ZHENG Z, et al. DRN: A deep reinforcement learning framework for news recommendation: Proceedings of the 2018 World Wide Web Conference on World Wide Web, 2018[C]. International World Wide Web Conferences Steering Committee.
[40] HAN J, YAMANA H. A survey on recommendation methods beyond accuracy[J]. IEICE TRANSACTIONS on Information and Systems, 2017,100(12):2931-2944.
[41] CHAKRABORTY J, VERMA V. A survey of diversification techniques in Recommendation Systems: 2016 International Conference on Data Mining and Advanced Computing (SAPIENCE), 2016[C]. IEEE.
[42] ZHANG Y, CHEN X. Explainable recommendation: A survey and new perspectives[J]. arXiv preprint arXiv:1804.11192, 2018.
[43] ZHAO X, XIA L, ZHANG L, et al. Deep reinforcement learning for page-wise recommendations: Proceedings of the 12th ACM Conference on Recommender Systems, 2018[C]. ACM.
[44] TEO C H, NASSIF H, HILL D, et al. Adaptive, personalized diversity for visual discovery: Proceedings of the 10th ACM Conference on Recommender Systems, 2016[C]. ACM.
