麦吉尔大学最新搜索与推荐多样性研究综述，多角度介绍其研究进展

TLDR：本综述收集了最新的面向搜索与推荐应用的多样性论文，并在统一的组织体系下总结了该方向的方法类型、评价指标和所用技术。另外，对现有的多样性技术进行详细分析并提出了分类法，同时讨论其优点和缺点。最后，本文给出了该方向的开放性问题，并讨论了未来研究方向。

https://github.com/hongleizhang/RSPapers/tree/master/01-Surveys

检索结果的多样化是检索系统的一个重要研究课题，检索结果多样化可以满足客户的各种兴趣和供应商的平等市场曝光。近年来，伴随着大量关于搜索和推荐多样性的方法的文献，人们对多样性意识的研究越来越关注。

然而，检索系统中（搜索与推荐领域）的多样性研究缺乏一个系统的组织，并且研究点相对零散。在本文综述中，首次提出了一个统一的分类法，用于对搜索和推荐中的多样化指标和方法进行分类，这也是检索系统中研究最为广泛的两个领域。

在本综述的开始，简要讨论了为什么多样性在检索系统中很重要，然后总结了搜索和推荐中的各种多样性问题，强调了它们之间的关系和区别。比如检索中的内在和外在多样性，以及推荐中的个人级别和系统级别的多样性等。

在综述的主体部分，本文从搜索和推荐的角度对检索系统中的多样性指标和方法进行了统一的分类。具体的，多样性指标又可细分为基于相关性（新颖度、意途感知的）和相关性无关（基于距离、覆盖度、社会福祉等）的指标。多样化方法又可分为离线方法（预处理、联机处理以及后处理等）和在线方法（bandit和强化学习）等。

在综述的后半部分，讨论了搜索和推荐中多样性研究的开放性研究问题，具体包括时间依赖性、评价指标的直接优化以及可解释性的多样性等，希望以此激发未来创新，鼓励在现实世界的系统中实施多样性。

更多内容可移步原文阅读。