Finding the Right Balance: Relevance and Diversity in LLM Retrieval
Université du Québec à Trois-Rivières（魁北克大学三河城分校）
针对RAG检索多样化效果争议，提出基于候选池冗余度和查询证据需求的查询自适应多样化规则及RNG-Score重排序器，实现按需多样化以提升检索与答案质量。
2026-10-08 cs.CL cs.IR
Augmenting Sequential Recommendation with Balanced Relevance and Diversity
本文提出序列推荐的平衡数据增强插件BASRec，通过单序列增强与跨序列增强模块平衡数据的相关性与多样性，有效缓解语义漂移并显著提升模型性能。
2024-12-21 cs.IR
Cascading Hybrid Bandits: Online Learning to Rank for Relevance and Diversity
University of Amsterdam（阿姆斯特丹大学）；Bloomberg（彭博）；Ahold Delhaize（阿霍德·德尔海兹）
相关性排序和结果多样化是现代推荐系统的两个核心领域。相关性排名旨在建立一个按项目相关性降序排序的排名列表，而结果多样化则侧重于生成一个涵盖广泛主题的项目排名列表。在本文中，我们研究了一个在线学习设置，旨在推荐一个排名列表，其中包含最大化排名效用的$K$项目，即，一个列表，其中的项目是相关的，其主题是多样化的。我们将其表述为级联混合土匪（CHB）问题。CHB假设级联用户行为，其中用户从上到下浏览显示的列表，单击第一个有吸引力的项目，并停止浏览其余的。我们提出了一个混合上下文强盗的方法，称为CascadeHybrid，解决这个问题。CascadeHybrid使用两个独立的函数对项目相关性和主题多样性进行建模，并同时从用户点击反馈中学习这些函数。我们在两个真实世界的推荐数据集上进行实验来评估CascadeHybrid：MovieLens和Yahoo音乐数据集。我们的实验结果表明，CascadeHybrid优于基线。此外，我们证明了理论上的保证$n$步骤的性能，证明了CascadeHybrid的健全。
2020-08-12 cs.IR cs.LG stat.ML
Inducing Diversity in Differentiable Search Indexing
Walmart Global Tech（沃尔玛全球技术部门）
本文提出在可微搜索索引（DSI）训练过程中引入受 MMR 启发的多样性机制，在 NQ320K 和 MSMARCO 上验证了可在不显著损失相关性的前提下实现多样化召回，免去后处理步骤，并适用于子主题检索和增量索引更新。
2025-02-05 cs.AI cs.IR cs.LG
Beyond Relevance: An Adaptive Exploration-Based Framework for Personalized Recommendations
提出自适应探索推荐框架，通过句子嵌入聚类和用户控制采样平衡多样性与相关性，实验显示降低列表内相似度并提升意外性，优于基线。
2025-03-25 cs.IR
Evaluating Fairness in Argument Retrieval
现有的商业搜索引擎通常难以表示搜索查询的不同视角。论点检索系统解决了搜索引擎的这种限制，并且提供关于用户对有争议的主题（例如，气候变化）。这种论点检索系统的有效性通常基于主题相关性和论点质量进行评估，而不考虑为论点立场（PRO或CON）显示的文档的数量通常不同。因此，系统可能会检索相关的段落，但会有偏见地暴露论点。在这项工作中，我们分析了一系列的非随机公平意识的排名和多样性指标，以评估在何种程度上，参数的立场是公平地暴露在参数检索系统。使用CLEF 2020的论点检索任务Touché的官方运行，以及合成数据来控制排名中论点立场的数量和顺序，我们表明，在主题相关性方面具有最佳有效性的系统不一定是最公平或最多样化的论点立场。我们发现（不）公平和多样性指标之间的关系揭示了如何评估组公平性-除了主题相关性-在参数检索设置。
2021-09-19 cs.IR
Welfarist Formulations for Diverse Similarity Search
Indian Institute of Science（印度科学研究所）；Microsoft Research India（微软印度研究院）
本文提出基于效用主义的NNS方法，通过适应性平衡相关性与多样性，提升搜索结果的多样性同时保持高相关性。
2026-02-09 cs.CG cs.DS cs.GT
Bayesian-Guided Diversity in Sequential Sampling for Recommender Systems
Inria Saclay（法国萨克利实验室）；Soda Team（Soda团队）
本研究提出了一种基于贝叶斯引导的多目标上下文序列采样框架，通过整合多种多样性指标和不确定性项优化推荐系统中的内容多样性，同时保持用户相关性。
2025-06-22 cs.AI cs.IR
Diverse legal case search
近几十年来，法律案件检索越来越受到人们的重视。法律工作者需要通过类案检索来开展工作或提高工作效率。在检索过程中，法律工作者往往需要几个不同案由下的检索结果作为参考。然而，现有的工作往往侧重于判断本身的相关性，而不考虑行动的原因之间的联系。几个完善的多样性搜索技术已经存在于开放领域的搜索工作。然而，这些技术没有考虑法律搜索场景的特殊性，例如，副主题可能不是彼此独立的，而是以某种方式连接的。因此，我们构建了一个多样性的法律检索模型。这一模式既考虑到多样性，又考虑到相关性，非常适合这种情况。同时，考虑到具有多样性标签的数据集的缺乏，我们构建了一个多样性的法律检索数据集，并通过人工标注来获取标签。实验证明，我们的模型是有效的。
2023-01-29 cs.IR
Using Image Fairness Representations in Diversity-Based Re-ranking for Recommendations
在最近的工作中，已经探索了个性化推荐中的相关性和公平性之间的权衡，目标是最小化对某些人口统计学的学习歧视，同时仍然产生相关的结果。我们提出了一个公平意识的变化的最大边缘相关性（MMR）重新排名的方法，它使用的表示使用标记的数据集计算的人口统计组。这一方法旨在体现对这些人口群体的公平性。我们在一个股票照片数据集上进行实验，并通过使用人类判断来检查使用标记数据集的不同部分时重新排名的结果，并通过对一组查询图像的排名结果进行定量分析，来检查相关性和公平性之间的权衡。我们表明，我们提出的方法可以在排名结果中包含公平性，同时获得比基线更高的精度，而我们的案例研究表明，即使是有限数量的标记数据也可以用于计算表示以获得公平性。该方法可用作推荐系统和搜索的后处理步骤。
2018-09-10 cs.IR
Diversity-Aware $k$-Maximum Inner Product Search Revisited
本文重新定义多样性感知的k-最大内积搜索问题，提出Greedy和DualGreedy两种线性扫描算法并结合BC-Tree索引，在保证相关性的同时高效返回多样化搜索结果。
2024-02-21 cs.DB cs.DS cs.IR
Uncovering the Bigger Picture: Comprehensive Event Understanding Via Diverse News Retrieval
National University of Singapore（国立新加坡大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出两阶段框架 NEWSCOPE，通过密集检索、句子级聚类与多样性重排序提升新闻事件覆盖，并引入三项指标和两个基准验证其在保持相关性的同时显著减少冗余。
2025-08-29 cs.CL cs.IR
Keyword-Based Diverse Image Retrieval by Semantics-aware Contrastive Learning and Transformer
针对跨模态图像检索中相关性与多样性难以平衡的问题，提出CoLT方法，通过语义感知对比学习、Transformer token分类器及后处理算法提升检索多样性，在两个真实数据集上F1分数优于现有方法。
2023-05-06 cs.IR
A Diverse and Effective Retrieval-Based Debt Collection System with Expert Knowledge
Shanghai Jiao Tong University（上海交通大学）；China Merchants Bank Credit Card Center（招商银行信用卡中心）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）
本文基于真实银行催收对话数据构建话术库，提出两阶段检索式响应系统，通过知识蒸馏提升话术多样性、上下文相关性与部署效率，为债务催收提供可扩展的自动化方案。
2025-03-03 cs.AI cs.CL cs.IR
Exploration on Demand: From Algorithmic Control to User Empowerment
Faculty of Engineering, Free University of Bozen-Bolzano（博尔扎诺自由大学工程学院）
提出一种自适应聚类框架，通过用户控制的探索机制平衡电影推荐的个性化和多样性，实验表明能有效降低列表内相似度并提升意外性。
2026-05-26 cs.IR
Retrieving Comparative Arguments using Ensemble Methods and Neural Information Retrieval
本研究针对比较性问题的论证检索任务，结合决策树集成、BERT等技术构建排序模型，在赛事中取得相关性第一、质量第二的成绩，可提升比较查询处理性能。
2023-05-01 cs.IR
CTR-Guided Generative Query Suggestion in Conversational Search
本文提出GQS框架，通过多源CTR建模、CTR加权DPO偏好对齐和迭代优化，在对话式搜索中生成兼顾相关性与多样性的查询建议，实验证明其在CTR、相关性和多样性上优于基线。
2025-07-05 cs.IR
Facets of Fairness in Search and Recommendation
最近的几项工作突出了搜索和推荐系统如何沿着不同的维度表现出偏见。抵制这种偏见并在搜索中引入一定程度的公平性，不仅对于创造一个考虑相关性和多样性的更平衡的环境至关重要，而且对于为内容消费者和内容生产者提供一个更可持续的前进方向也至关重要。这篇简短的论文探讨了最近的一些作品，以定义相关性，多样性和相关概念。然后，它着重于解释在各种推荐设置中新兴的公平性概念。在这样做的时候，本文提出了比较，并强调各种措施之间的合同，在我们的概念和评估框架的差距。
2020-07-16 cs.CY cs.IR
CAViaR: Context Aware Video Recommendations
Meta Inc.（元公司）
本文提出上下文感知视频推荐方法 CAViaR，通过建模低多样性对用户参与度的影响来兼顾多样性与相关性，可即插即用地集成到大规模推荐系统中，并在 Facebook Watch 上显著提升参与度和日活跃用户数。
2023-04-17 cs.IR cs.LG
DivNet: Diversity-Aware Self-Correcting Sequential Recommendation Networks
针对传统方法难以捕捉推荐物品间复杂交互、难以兼顾多样性等整体优化目标的问题，提出感知多样性的自校正序列推荐网络DivNet，可同时捕捉序列物品交互评估效用并实现推荐多样化，离线在线实验均优于基线方法。
2024-11-01 cs.IR
Modeling Ranking Properties with In-Context Learning
Centre for Computational School of Computing Science and Data Sciences University of Glasgow（格拉斯哥大学计算科学与数据科学中心）；IIT Kharagpur, India（印度理工学院坎普尔分校）；School of Computing Science Department of Computer University of Glasgow Science and Engineering United Kingdom（格拉斯哥大学计算机科学与工程学院）
本研究提出用于列表式LLM重排序器的ICL方法，无需特定任务训练，通过少量示例排序平衡排序目标，在保持相关性的同时，在公平性和多样性等辅助目标上取得显著提升。
2026-09-01 cs.IR
Managing Diversity in Airbnb Search
Airbnb Inc.（爱彼迎公司）
搜索系统中的一个长期存在的问题是多样性在结果中的作用。从产品的角度来看，显示不同的结果为用户提供了更多的选择，应该会带来更好的体验。然而，这种直觉与常见的机器学习排名方法不一致，这些方法直接优化每个单独项目的相关性，而没有对结果集的整体视图。在本文中，我们描述了我们解决Airbnb搜索多样性问题的过程，从基于启发式的方法开始，并以一种新颖的深度学习解决方案结束，该解决方案通过利用递归神经网络（RNN）来嵌入整个查询上下文。我们希望我们的经验教训将证明对其他人有用，并推动在这一领域的进一步研究。
2020-03-31 cs.CY cs.IR cs.LG
Feature-aware Diversified Re-ranking with Disentangled Representations for Relevant Recommendation
相关推荐是一种特殊的推荐场景，当用户对一个目标项目表示兴趣时，点击，喜欢和购买）。除了考虑建议与触发项目之间的相关性外，建议还应多样化，以避免信息茧。然而，现有的多样化推荐方法主要集中在项目级的多样性，这是不够的，当推荐的项目都是相关的目标项目。此外，冗余或嘈杂的项目功能可能会影响性能的简单特征感知推荐方法。面对这些问题，我们提出了一个功能分解自平衡重新排序框架（FDSB），以捕获功能感知的多样性。该框架包括两个主要模块，即解纠缠注意编码器（DAE）和自平衡多方面排名。在DAE中，我们使用多头注意力从丰富的项目特征中学习分离的方面。在排名器中，我们开发了一个特定于方面的排名机制，能够自适应地平衡每个方面的相关性和多样性。在实验中，我们对收集的数据集进行离线评估，并在快手应用程序上部署FDSB，对相关推荐功能进行在线A/B测试。推荐质量和用户体验的显著改善验证了该方法的有效性。
2022-06-10 cs.IR
A new system-wide diversity measure for recommendations with efficient algorithms
推荐系统通常对按类型聚类的项目目录和按人口统计学或心理学属性自然聚类为用户类型的用户库进行操作。以前关于全系统多样性的工作主要集中在定义这些类别之间的意图感知指标，并最大限度地提高所产生的建议的相关性，但没有从项目和用户两个角度结合多样性的概念。在这项工作中，（1）我们引入了两个新的系统范围内的多样性度量，同时解决多样化的问题，每个用户看到的项目的类别，多样化的用户类型，每个项目显示，并保持高推荐质量。我们将其建模为用户和项目之间候选推荐的二分图上的子图选择问题。(2)在不相交的项目类别和用户类型的情况下，我们表明，由此产生的问题可以在多项式时间内精确地解决，通过减少到最小成本流问题。(3)在非不相交的类别和用户类型的情况下，我们证明了NP-完全的目标，并提出了有效的近似算法使用的子模块的目标。(4)最后，我们在MovieLens-1 m和Netflix数据集上验证了我们的算法的有效性，并表明为我们的目标设计的算法在销售多样性指标上也表现良好，甚至在一些意图感知的多样性指标上也表现良好。我们的实验结果证明了我们的新的复合多样性指标的有效性。
2019-08-27 cs.IR
Improving Product Search Relevance with EAR-MP: A Solution for the CIKM 2025 AnalytiCup
针对多语言电商搜索相关性挑战，本文提出EAR-MP方案，通过翻译规范化、数据清洗及基于DeBERTa-v3的定制训练策略（如分层token注入和混合评分），在受限算力下于QC和QI任务上取得有竞争力的F1分数。
2025-10-31 cs.IR
MMR-GRPO: Accelerating GRPO-Style Training through Diversity-Aware Reward Reweighting
Department of Computer Science and Engineering（计算机科学与工程系）
提出MMR-GRPO方法，利用最大边际相关性根据完成多样性重加权奖励，减少冗余样本，加速GRPO训练，在保持性能的同时平均减少47.9%训练步数和70.2%时间。
2026-06-07 cs.AI cs.CL cs.IR
Xinyu AI Search: Enhanced Relevance and Comprehensive Results with Rich Answer Presentations
AIDS and SIAR, University of Science and Technology of China（艾滋病与SIAR，中国科学技术大学）；ESAT-PSI, KU Leuven（ESAT-PSI，比利时鲁汶大学）；Institute for Advanced Algorithms Research（先进算法研究所）；The Hong Kong Polytechnic University（香港理工大学）
本文提出Xinyu AI Search，通过查询分解图、多源聚合检索和重排序优化，结合细粒度引用与可视化呈现，构建了首个整合检索、生成与用户中心呈现的生成式AI搜索综合框架。
2025-05-28 cs.AI cs.IR
Culinary Crossroads: A RAG Framework for Enhancing Diversity in Cross-Cultural Recipe Adaptation
Aarhus University（奥胡斯大学）；University of Copenhagen（哥本哈根大学）；Dept. of Computer Science and Artificial Intelligence, University of Granada（格拉纳达大学计算机科学与人工智能系）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本文提出CARRIAGE框架，通过增强检索与上下文组织来提升跨文化食谱适应的多样性，解决了RAG在生成多样化结果时的局限性。
2026-04-19 cs.AI cs.CL cs.CY
MASCOT: Model-Aware Submodular Coverage for Composite-Attribute Text-to-Image Retrieval
Indian Institute of Technology Bombay（印度孟买理工学院）
针对现有流形重排序方法在复合属性文本到图像检索的多样性降低任务中早期排名召回率大幅下降的问题，提出MASCOT方法，在PixelProse数据集复合约束任务中表现优于MS-DPP，尤其在排名1后召回率上优势显著。
2026-08-14 cs.CV cs.IR cs.MM
Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning
University of Novi Sad（诺维萨德大学）；Telefonica Research（西班牙电信研究院）；Google Research（谷歌研究院）；Shandong University（山东大学）
自推荐系统（RS）出现以来，推荐的准确性（相关性）一直是评价RS算法质量的金标准。然而，通过关注项目相关性，人们在其他重要指标方面付出了巨大的代价：用户陷入“过滤泡沫”，他们的选项阵列显着减少，从而降低了用户体验的质量并导致流失。推荐，特别是基于会话的/顺序的推荐，是一项复杂的任务，具有多个并且经常相互冲突的目标，现有的最先进的方法无法解决。在这项工作中，我们接受了上述挑战，并为RS设置引入了标量化多目标强化学习（SMORL），这是一种新型的强化学习（RL）框架，可以有效地解决多目标推荐任务。建议的SMORL代理增强了标准推荐模型，增加了RL层，使其同时满足三个主要目标：推荐的准确性，多样性和新颖性。我们将这个框架与四个最先进的基于会话的推荐模型相结合，并将其与只关注准确性的单目标RL代理进行比较。我们在两个真实世界数据集上的实验结果显示，总体多样性大幅增加，准确性适度提高，推荐的重复性降低，并证明了加强多样性和新颖性作为补充目标的重要性。
2021-10-28 cs.IR cs.LG
