1、C1：互补关系不是对称的，并且互补推荐不仅仅基于相似性度量。例如，网球拍和头带在文字或图像特征上根本不相似。而且，SD卡可以是相机的补充产品，但不能相反。这些事实排除了大多数基于相似性的方法，并需要使用不同的机制来建立互补关系的模型。C2：互补推荐需要考虑多样性。
2、为了应对推荐过程中的复杂性与多样性，现代召回算法通常采用多路策略，结合不同机制的优势，互补不足，以提升推荐效果。
3、召回路径多样，包括i2i（物品到物品）、u2i（用户到物品）、u2i2i（用户通过物品到另一个物品）等，利用图算法如u22i*进行组合。推荐服务通常采用多路召回策略，如召回策略X、Y和Z，通过并发执行和融合排序（如按顺序、平均法、加权平均等）来优化结果。
4、SDM模型旨在捕捉这种动态性，它包含两个关键模块：一个多头注意力模块，用于识别用户多维度兴趣；以及长短期兴趣融合模块，整合用户长期和短期行为。通过生成用户行为向量与商品向量匹配，模型能提供topK候选商品。
5、本文在明确“推荐系统个体多样性优化”主题后，由整体架构出发，清楚阐述了在召回层、规则层、多样性层的优化细节。在MMR 和 DPP算法部分既有原理也有实践，最后用图表方式展示出了效果对比，并且结合自身业务特点做了针对性的距离设计。 背景 在推荐系统中，衡量系统好坏的指标，除了相关性之外，多样性也是重要的指标之一。
6、从而利用user和item的embedding进行协同召回。但是作者认为这种方法的固有缺点是：在user与item的interaction数据中潜伏的 协作信号（collaborative signal） 未在嵌入过程中进行编码。这样，所得的嵌入可能不足以捕获协同过滤效果。让我们一起来看一下本论文是怎么利用数据中潜伏的协作信号的吧。
