纯以点击率为目标的推荐容易收敛到少数爆款和单一类目，短期指标好看，长期却会损害用户兴趣广度和平台生态。多样性控制因此成为推荐系统的重要环节，需要在相关性之外引入覆盖和惊喜。
常见做法包括类目打散、最大边际相关性重排和基于探索的流量分配。打散规则简单可控，但可能误伤相关结果；最大边际相关性在相关性与新颖性之间做权衡，参数需要按场景调优。
多样性指标可量化为类目熵、基尼系数和内容覆盖率。类目熵衡量单次推荐列表的分布均匀度，基尼系数反映物品曝光集中度。应将这些指标与点击率并列监控，观察多样性提升是否以可接受的效率损失为代价。
多样性不是越多越好。过度打散会降低列表相关性，用户找不到想看的内容。合理做法是分层设定约束，首屏保证相关性，后续位置逐步增加探索，并通过实验找到效率与生态的平衡点。
