重排多样性与行列式点过程 DPP

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 $L$ 的主子式行列式：$P(Y) \propto \det(L_Y)$，其中核矩阵元素定义为 $L_{ij} = q_i S_{ij} q_j$（$q_i$ 代表物品 $i$ 的质量/精排打分，$S_{ij}$ 代表物品 $i, j$ 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。

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。

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 $<1\%$ CTR 的微小代价下将列表多样性提升 30%+。

推导 DPP 核矩阵 $L = \text{diag}(q) S \text{diag}(q)$ 与贪心快速选点算法 (Greedy MAP Inference / Cholesky 分解) 的 $O(k^2 N)$ 复杂度？

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？

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？

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）？

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？