唐晓凤，雷向东

1(永州职业技术学院 医学技术学院，湖南 永州 425000) 2(中南大学 计算机学院， 长沙 410083)

1 引 言

推荐系统作为一个研究如何有效地把系统中的实体连接起来的系统，在当今的企业中起着至关重要的作用.推荐系统的主要目的是为用户生成有趣的负项列表(与特定用户没有历史互动的项目)，以使用户和项目的提供者从系统中受益[1,2].在推荐系统中，大多数工作主要着重于提高预测用户与项目交互的准确性，前提是假定准确的推荐可以最好地满足用户的需求.例如，以准确性为中心的系统将向观看过“权利的游戏-第1季”的用户推荐“权利的游戏-第2季”.但是，仅关注准确性会给用户和提供者带来负面影响，因为它可能会偏向于流行的商品[3].用户将不得不承担他们很了解的相同受欢迎的推荐，并且发现新奇有趣物品的机会更少.供应商，尤其是那些销售不流行的项目的供应商，将很难获得收入.更好的推荐系统还应考虑其他因素，例如“项目新颖性”[3].由于提倡新颖性会降低准确性，因此需要优化它们之间的权衡.以往大多数关于小说推荐的研究都采用两阶段重排序的方式来生成前N名列表[4].通常，重排序方法将首先训练一个注重精度的基本模型以生成候选列表，然后对候选列表重新排序以提供新颖的前N个列表.尽管重新排序通常是高效且灵活的，但存在两个主要限制.首先，他们没有经过端到端的训练，而是两个阶段……