来源：ACM SIGKDD
作者：Yuyan Wang, Cheenar Banerjee等
单位：Stanford University、Google, Inc.
发表时间：2025 年 2月
一、研究背景
- 推荐系统存在的问题：
主流推荐系统优化的是短期行为指标（如点击率、停留时间）。
回音室效应（Echo Chamber）
兴趣封闭（Pigeon-holing）
用户探索受限 → 降低用户长期满意度与活跃度 - 传统多样化推荐的局限
现有多样化方法多为 item-level（如最大化物品之间的不相似性）：
忽略了用户真正的行为动机 —->“为什么点这个 item？”
结果是“表面多样”，但不一定真正满足用户多重兴趣。 - 用户行为由多种意图（intent）驱动，如：
想学习 → 点教程类；
想放松 → 点搞笑类；
这篇文章提出：用户意图多样性
推荐系统应确保页面上多个用户意图都被覆盖，而不是仅仅是内容主题不同。
二、意图多样性方法
用户意图建模
构建一个实时预测模型，估计用户i在当前推荐页中具有各类意图 v∈V 的概率 Pr(v∣i)：
下面是具体的模型图：
多样化算法
三、实验
基本设置
实验平台与背景：
场景：YouTube 首页推荐（landing page）
目的：
验证在真实大规模系统中，意图多样化框架是否能提升用户的长期体验和平台关键指标
实验方式：线上 A/B 测试
| 组别 | 说明 |
| Treatment | 原有系统 + 本文的意图多样化排序模块 |
| Control | 仅使用原有系统（包含已有的多样性处理，如 DPP） |
意图定义
Exploration Intent（探索）：用户是否点击陌生创作者的视频；
Familiarity Intent（熟悉）：点击之前看过的创作者的视频。
核心实验结果
结论：小幅提升 ≠ 无意义，在 YouTube 这种平台体量下，0.05% DAU 提升是非常显著的。
探索性与多样性分析
结论：用户探索的内容不仅“多”，而且是“持续性地、多角度地探索”。
结论：本文方法不仅推荐了更多新内容，而且个性化地推荐给真正有探索意图的用户，体现出 personalization 的优势。
多样性强度的调节实验
结论：多样性不是越多越好，需要找到合适的探索强度。
四、总结
（一）论文核心内容
- 引入“用户意图”作为多样性建模的核心单位：
不再只是让推荐列表“内容不同”，而是确保覆盖用户多个潜在意图；
意图建模以行为驱动方式构造标签，低成本、可扩展。
- 提出意图多样化排序算法：
引入了贝叶斯思想的后验意图更新机制；
排序方法不仅考虑 item 分数，还显式建模“意图匹配度”；
（二）综合对其思考
- 用户兴趣迁移方向的识别方式:引入一个“意图预测模型”，训练一个多标签分类模型来估计 Pr(每个意图|当前 session)，输出当前用户在多个方向上的概率分布。
- 比较结果加权融合：采用类似 score(x) = Pr(v|i)*LLM胜率(x)，保证最终推荐列表中偏好高概率迁移方向，但也允许引入少量次要方向以增强多样性。