推荐的多样性，看来是小红书推荐算法很关注的一个指标

根据小红书技术团队在机器之心采访文透露的信息，推荐算法的策略主要有两块 [1]：

1. 精细化信号利用（exploitation）

快速响应短期兴趣点，根据用户不同时间尺度下的互动历史（实时、近一天、近一周、近一个月、近一年），建立模型预测对内容的兴趣，时间越近的行为影响越大。

比如你最近开始学着在家里做早餐，在小红书搜了一些教程，但你此前从未在小红书互动过多少早餐相关的内容，接下来一段时间，大数据就会加急安排更多早餐相关的内容推荐。

2. 探索（exploration）

推荐不只限于用户原本就感兴趣的，算法也要帮用户拓展新兴趣，避免乏味，对希望保持吸引力的社交平台而言这很重要，这又衍生出两种技术。

一种是基于历史互动扩大兴趣范围、找相关但多样化的新内容。

比如假设 Steam 平台要给一个玩家推荐游戏，ta 平常玩得最多的是 RPG，有时也会尝试放松、合作类。那用这种机制的算法在推荐游戏时，不仅会推荐 ta 玩得最多的 RPG，也会混入一些放松、合作甚至有一定相关性的禅游戏。

另一种是用相似用户的兴趣给用户推荐新内容的，比如你在关注笔记软件 Obsidian，和你相似的人除了关注 Obsidian 还在关注知识管理，算法就会尝试给你推知识管理的内容。

关于这里第二点的探索策略，我晚上也发现了一个小细节。

当你长按一条小红书笔记提交反馈时，有一个选项是「相似过多」，一般我会想到的不推荐理由是「不感兴趣」或是「内容不适」，但把「相似过多」放在这里，也意味着小红书在算法层面同样关注内容的多样性。（B 站的反馈也有这种选项，应该是普遍关注的）

这也让我想到了这几天在啃的小红书推荐算法论文，里面就介绍了他们如何解决用户感知的推荐多样性的问题 [2]。

也是之前从来没注意到，但研究推荐算法一段时间突然发现了。

[1] 机器之心采访小红书技术团队：为什么普通人「出圈」，都在小红书？ https://mp.weixin.qq.com/s/T_yjqy4RbAD3CAGild6pQw

[2] 小红书如何在微软的推荐算法上改进，解决用户侧感知的推荐多样性问题（论文） https://arxiv.org/pdf/2107.05204.pdf