第 175 题：新颖性提升，曝光惩罚与惊喜度的量化？
题目
新颖性提升，曝光惩罚与惊喜度的量化？
完整讲解
一、新颖性与惊喜度
新颖性：推荐用户未见过或较少接触的内容，避免重复与信息茧房。惊喜度：推荐既相关又出乎意料的物品，提升惊喜感与探索意愿。二者与准确性需权衡：过于新颖可能不相关，过于保守则无惊喜。
二、曝光惩罚（Exposure Penalty）
- 思想：在排序或打分时对已曝光/已点击过的物品施加负向惩罚，降低其再次出现的概率，把流量让给未曝光或低曝光物品。
- 实现：分数 $s’(i) = s(i) - \beta \cdot f(exposure_i)$，$f$ 可为曝光次数、最近曝光时间衰减等；$\beta$ 控制惩罚强度。或在损失中加入「曝光分布」的正则，鼓励更均匀曝光。
三、惊喜度的量化
- 定义：惊喜度可形式化为「相关性 × 意外性」：意外性 = 与用户历史/预期的差异（如 1 − 与历史平均的相似度），或基于信息论（如推荐带来的信息增益）。
- 度量：可用覆盖率（多少物品被曝光）、基尼（曝光分布均匀度）、惊喜率（用户反馈为「没想到但喜欢」的比例）；离线或 A/B 调参。
四、工程要点
- 曝光信号需实时或近实时可得；惩罚与惊喜度权重与主目标（点击、时长）联合调参，避免过度牺牲主指标。
面试要点
- 能区分新颖性与惊喜度，并说明与准确性的权衡。
- 能说清曝光惩罚：在分数上减项或正则，降低高曝光物品权重；能写出简单形式 $s’ = s - \beta f(exposure)$。
- 能简述惊喜度量化思路（意外性、信息增益）及常用指标（覆盖率、基尼、惊喜率）。
记忆要点
- 新颖性：未见过；惊喜度：相关且意外。曝光惩罚：$s’ = s - \beta f(exposure)$，压低已曝光物品。
- 惊喜度=相关性×意外性；指标：覆盖率、基尼、惊喜率；与主目标联合调参。