MMR: Maximal Marginal Relevance
最近集中整理一些和重排序相关的论文内容。
MMR
原文链接：www.cs.cmu.edu/~jgc/public…
在SIGIR 1998论文里，作者定义了经典的MMR方法：
其中Q是搜索查询query, D是候选的相关物品（例如精排后的结果），S是MMR算法已经选取的物品，Sim1用来衡量物品Di和query Q的相似度，Sim2用来衡量物品间的相似度， lambda 是平衡相关度（例如CTR）和多样性的超参数（在Aribnb中通过实验分析，值设定为0.15）。公式中第一项建模了当前候选的物品 Di和搜索query Q 的相似度， 第二项表示当前候选的物品 Di 和搜索已经选取的物品的最大相似度。
MMR算法的思想是：采取贪心策略，生成top K结果列表。第一次，先选取相关度最高的物品。然后，每次选取和查询query匹配度高、和已经选取的物品最大相似度低的物品。相似度函数 Sim1和 Sim2 可以不同，根据业务需求来定。例如，在Airbnb中，Sim2函数可以基于listing间价格、位置、类型等信息来计算。
MMR成功应用在工业搜索推荐系统中。例如，使用相似度函数 Sim1 为精排分数，Sim2 为添加新商品前后选取的商品集合的类目分布的KL距离，再结合后续的业务规则，构成了简单有效的重排序模块。
