超越物品差异：在推荐系统中按意图进行多样化

越来越明显的是，过度关注短期参与的推荐系统会阻止用户探索多样化的兴趣，最终损害长期用户体验。为了应对这一挑战，人们提出了许多多样化算法。这些算法通常依赖于物品相似性度量，旨在最大化最终推荐集中物品之间的差异性。然而，在这项工作中，我们展示了通过利用更高层次的用户理解——特别是跨多次交互持续存在的用户意图——进行多样化所带来的好处，超越了物品级别的相似性。我们的方法受到以下观察的启发：在线平台上的用户行为很大程度上由其潜在意图驱动。因此，推荐应确保准确表示多样化的用户意图。虽然意图主要在搜索上下文中被研究，但如何将实时动态意图预测纳入推荐系统尚不明确。为了解决这一差距，我们为推荐系统的最终阶段开发了一个基于概率意图的整页多样化框架。从用户意图的先验信念开始，所提出的框架基于这些信念依次为每个位置选择物品，随后更新关于意图的后验信念。这种方法确保页面上表示不同的用户意图，从而优化长期用户体验。我们在YouTube（世界上最大的视频推荐平台，每天服务数十亿用户）上对意图多样化框架进行了实验。在多样化意图集上的实时实验表明，所提出的框架增加了日活跃用户（DAU）和整体用户满意度，验证了其在促进长期规划方面的有效性。