maximal marginal relevance (a.k.a mmr) 演算法目的是減少排序結果的冗餘，同時保證結果的相關性。最早應用於文字摘要提取和資訊檢索等領域。在推薦場景**現在，給使用者推薦相關商品的同時，保證推薦結果的多樣性，即排序結果存在著相關性與多樣性的權衡。
maximal marginal relevance公式
def mmr(itemscoredict, similaritymatrix, lambdaconstant=0.5, topn=20):
s, r = , list(itemscoredict.keys())
while len(r) > 0:
score = 0
selectone = none
for i in r:
firstpart = itemscoredict[i]
secondpart = 0
for j in s:
sim2 = similaritymatrix[i][j]
if sim2 > second_part:
secondpart = sim2
equationscore = lambdaconstant * firstpart - (1 - lambdaconstant) * secondpart
if equationscore > score:
score = equationscore
selectone = i
if selectone == none:
selectone = i
r.remove(selectone)
return (s, s[:topn])[topn > len(s)]
某使用者最近歷史瀏覽商品序列如下圖，分別為男式地表強溫廓形羽絨服、透氣保暖元絨棉花被、男式加厚保暖長款羽絨服、男式地表強溫工裝羽絨服。
使用者歷史瀏覽行為
基於使用者瀏覽的四件商品進行top-10推薦，協同過濾推薦結果與協同過濾+mmr推薦結果如下兩圖，前者推薦結果相對單一，滿螢幕全是羽絨服。後者在推薦坑位有限的情況下，多樣性指標上明顯更優，除了羽絨服、羽絨被外，還有大衣、運動服、羽絨馬甲等商品。
協同過濾top-10推薦結果
mmr重排top-10推薦結果
推薦結果多樣性指標
可以根據實際推薦場景，選擇合適的相似度計算方法和
值。
越小，推薦結果多樣性越高。
the use of mmr, diversity-based reranking for reordering documents and producing summaries
maximal marginal relevance to re-rank results in unsupervised keyphrase extraction
協同過濾演算法
3種形式的協同過濾 collaborative filtering 演算法 1 user based 相同 相似 使用者的喜好相同 2 item based 能夠引起使用者興趣的專案，必定與其之前評分高的專案相似 3 model based 先用歷史資料得到乙個模型，再用此模型進行 參考 這個位址是...
協同過濾演算法
1.表示使用者行為矩陣，即統計使用者購買某種商品型別的數量 public double getnumbycustomer customer customer return vectore 2.用余弦距離計算每個使用者與其它使用者的行為相似度 下面 是兩個使用者之間的相似度，進行遍歷就可以獲取全部相似...
協同過濾演算法
乙個人想看電影的時候常常會思考要看什麼電影呢。這個時候他可能會問周圍愛好的人求推薦。現在社會每天都會產生海量的資訊。面對這麼多資訊好多人都不知道什麼資訊是自己需要的。推薦系統正是起了這麼乙個作用。推薦系統的應用隨處可見。網路購物是乙個典型的例子，電子商務的運營商往往會根據使用者在 的行為推薦使用者可...