返回 工业系统设计 思维导图
中文·English
🏗️ 工业系统设计ID: reranking-diversity-dpp

重排多样性与行列式点过程 DPP

Reranking Diversity & DPP Process
🎯核心定义
重排多样性与行列式点过程 (Determinantal Point Processes, DPP) 是一种在推荐系统最终重排阶段 (Re-Ranking) 优雅权衡“单个物品相关度质量 (Quality)”与“整体结果列表多样性 (Diversity)”的概率排布算法;DPP 将候选子集的生成概率建模为半正定核矩阵 LL 的主子式行列式:P(Y)det(LY)P(Y) \propto \det(L_Y),其中核矩阵元素定义为 Lij=qiSijqjL_{ij} = q_i S_{ij} q_jqiq_i 代表物品 ii 的质量/精排打分,SijS_{ij} 代表物品 i,ji, j 之间的相似度矩阵);行列式的几何意义对应于特征向量张成平行多胞体的超体积,相似度越高行列式越趋近于 0(天然排斥重复项),从而在多项式时间内采样出既高度相关又极具多样性的最优 Top-K 推荐列表。
💡使用场景
信息流 Feed 防同质化打散、电商推荐避免连续推荐同品类商品、以及流媒体播单多样性生成。
解决的核心痛点
精排模型纯按 CTR 打分极易将排名靠前的全部位置排满完全同质化的热门商品(如连续推荐 10 双同一品牌的鞋),造成用户审美疲劳与信息茧房;DPP 算法在仅损失 <1%<1\% CTR 的微小代价下将列表多样性提升 30%+。
🎯5 个高频面试考点 (Exam Points)
1
推导 DPP 核矩阵 L=diag(q)Sdiag(q)L = \text{diag}(q) S \text{diag}(q) 与贪心快速选点算法 (Greedy MAP Inference / Cholesky 分解) 的 O(k2N)O(k^2 N) 复杂度?
2
对比 DPP 与最大边界相关算法 (Maximal Marginal Relevance, MMR) 在多样性建模能力与全局相关性权衡上的差异?
3
业务规则硬打散(如滑动窗口约束“同一类目商品不得连续出现且间隔至少 3 个” / Sliding Window Rule)与软打散算法的协同?
4
如何量化评估推荐列表的多样性(如 ILD 列表内距离、Coverage 覆盖率、Gini 坚尼系数、熵)?
5
在极短的 5ms 重排延迟预算内,如何在 C++ 层面优化 DPP 的矩阵行列式运算以实现实时在线 Serving?
更新于 2026-08-14
🎯
检验攻克程度:针对「重排多样性与行列式点过程 DPP」专属刷题排雷
做单选排雷题、推导选项机制,答错自动收录进专属错题本。
🚀 开始本考点专项刷题
上一个知识点Feature Store 离在线特征一致性下一个知识点推荐离线指标 GAUC 与 NDCG

🔗 更多 工业系统设计 知识点卡片

推荐多阶段漏斗与 50ms SLADSSM 双塔向量化召回YouTube DNN 召回架构粗排轻量模型与向量相似度剪枝