在上一篇文章《用於推薦系統評估的概念與指標》中，我們介紹了用於推薦系統評估的概念：實用性。在接下來的文章中，我們會介紹新穎性與多樣性。
新穎性
新穎性通常指在推薦中出現新的物品，這在不同文獻中有不同的定義。在此，我們將新穎性的定義和指標分爲三個層次，如下表所示。本文中把新穎性指標稱爲𝑛𝑜𝑣（𝑅𝑢）。
日常生活級別的新穎性
創建衡量日常生活級別新穎性的指標並非易事。新穎性等級1的衡量必須考慮系統上下文中的信息，以便衡量用戶已知和未知的內容。
2. 系統級別的新穎性
系統級別的新穎性有許多定義。簡單來說，對用戶而言，新項目是指用戶不知道或者知道很少的項目。
有人認爲，新穎性是指推薦系統預測用戶不知道且通過其他渠道也不會發現的項目。新穎性也被定義爲推薦項目與用戶已消費的項目之間的差異。新穎性還被定義爲用戶預測列表中未知項目的比例。
在實踐中，以上定義僅在觀察用戶消費歷史中先前消費的物品時，纔會考慮新項目，而不會考慮系統外消耗的物品。總而言之，系統級別的新穎性是指在系統信息中用戶未知的項目。
大多數文獻中提出的的新穎性都是系統級別的新穎性。 有人提出了這樣一種評估方法：將推薦列表中的新穎性計算爲推薦列表中的項目與用戶歷史消費中的項目之間的相似性（𝐻𝑢），公式7即該度量標準。
另一些人提出的新穎性則是計算用戶的推薦列表中的項目的流行度的總和，公式8 即爲這種方法。例如，可以通過消耗該項目的用戶的數量來計算項目的流行度（𝑝𝑜𝑝）。此外，他們還提供了度量的變體，例如-𝑙𝑜𝑔2𝑝𝑜𝑝（𝑖）|𝑈| 。
3. 推薦列表級別的新穎性
第3級別涉及到推薦列表級別的新穎性，即不重複推薦的項目。從這個意義上講，新穎性被定義爲推薦列表中不包含用戶信息的不重複的項目。說新穎性與用戶未知的推薦列表中的非冗餘項目有關。簡而言之，級別3是級別2的極端情況，級別3甚至不允許推薦列表中出現冗餘項目或重複推薦結果。
衡量新穎性第3級別僅需要調查推薦列表中的項目。新穎性第3級的指標不需要用戶信息。從這個意義上講，公式10能夠計算推薦列表中項目的相似性，其中𝑑（𝑖，𝑗）表示項目𝑖和𝑗之間的距離。但是，該度量標準更像列表內相似性的度量標準，可能無法衡量新穎性。
此外，還有人提出了一個衡量推薦列表中新穎性的指標，見公式11。該度量考慮了項目在經過排序的推薦列表中的位置，用於計算瀏覽列表的折扣函數（𝑑𝑖𝑠𝑐（𝑖𝑘）。此外，度量還計算用戶在瀏覽時看到項目（𝑝（𝑠𝑒𝑒𝑛|𝑖𝑘）的概率。由於該概率是指用戶消費信息的不確定性，因此該度量最好在新穎性的2級和3級之間進行分類。
多樣性
多樣性關注推薦列表中項目的豐富程度。對於多樣性指標，本文中使用的符號是𝑑𝑖𝑣（𝑅𝑢）。
一些人認爲，推薦系統的多樣性具有相反的相似效應。作者指出，變化小的推薦列表用戶可能不感興趣。另一些人認爲，與用戶的消費歷史相比，推薦系統通常會預測類似的項目。因此，多樣性意味着平衡推薦列表以涵蓋用戶的整個興趣集。
與新穎性不同，多樣性的定義在文獻中大多一致。大家普遍認爲多樣性代表推薦列表中的各種項目。
有關多樣性的度量，大家都傾向於將多樣性計算爲推薦列表中的項之間的不相似性。一些人提出了一種用於列表內相似性的度量，如公式12所示。函數𝑑（𝑖，𝑗）計算推薦列表𝑅𝑢中項目𝑖和𝑗之間的距離。該指標實際上捕獲了列表的相似性；因此，該度量標準的低值表示更相似的列表，其中項目彼此相似。
內部列表相似性度量也被其他多樣性工作所使用。另一些人把餘弦相似度作爲距離函數，該度量標準可以在公式13中看到。
還有人提出了另外的指標，如公式14所述。圖14中的公式是針對列表內相似度的更具體的計算。該度量考慮了被分析的每對項目的位置的折扣函數（𝑑𝑖𝑠𝑐（𝑘）。此外，該度量還使用項之間的距離（𝑑（𝑖𝑘，𝑖𝑙），例如餘弦相似距離。
閱讀更多：
先薦是一款賦能媒體的AI產品，是集內容上傳、內容管理、內容分發、推薦干預、前端渲染於一體的一站式推薦服務可視化平臺，支持PC、WAP、APP全平臺接入，幫助媒體從0到1搭建推薦系統，顯著提升用戶活躍、留存、觀看時長等重要業務指標，在減少技術成本投入的同時，大幅提高媒體運營效率，從而實現業務智能化轉型。目前已服務人民日報、環球網、花瓣網、果殼網、段友、36氪、簡書等三百餘家內容平臺，其中在環球網web端的興趣推薦項目上，實現了點擊率58%的提升，同時訪問量和營收分別增長了69%、20%。