推荐系统若只追求准确率，结果往往高度同质：用户点过一个篮球视频，满屏都是篮球，短期点击率或许好看，长期却容易审美疲劳，损害用户留存和内容生态。
多样性衡量推荐列表中物品的差异程度，可从类目、作者、主题等维度计算。新颖性衡量推荐物品与用户历史兴趣的偏离程度，帮助用户发现新领域。二者与准确率存在天然张力。
平衡方法之一是重排序：先由精排模型给出相关性分数，再在生成最终列表时引入多样性惩罚或最大边际相关性算法，在相关性达标的前提下提升列表覆盖度。
方法之二是多目标优化：把多样性、新颖性作为独立目标与点击率联合建模，或用约束优化在保证点击率不降的前提下最大化多样性。工业界常用多目标排序模型输出多个分数再加权融合。
评估时要避免只看单一指标。建议同时监控准确率类指标、多样性指标、新物品曝光占比和长期留存。短期点击率与长期价值的权衡，需要拉长实验周期才能看清。
