一 简介
MMR(Maximal Marginal Relevance，最大边际相关性) 算法多用于推荐场景，目标是减少排序结果的冗余。MMR 算法在物品的相关性和相似性之间做了权衡，在保证相关性的基础上，减少相似性，保证了推荐结果的多样性。
MMR 算法公式如下：
二 问题
该算法采用的贪心策略，复杂度是 
，耗时过高，导致无法在线上实时运行。
我在新闻推荐粗排服务中应用了该算法。在我的应用场景中，又加入了用户浏览历史用一些高爆光未点击新闻的过滤，耗时更高。如果不做性能优化，项目无法发布上线。
三 优化手段
通过对算法的分析，采用了如下优化手段：
1. 降低复杂度
新闻相似度计算部分，可以梳理为三个计算部分：
- 候选新闻和用户历史相似度计算
- 候选新闻和已胜出新闻相似度计算
- 候选新闻和上一轮胜出新闻相似度计算
前两个计算部分可以缓存起来，在代码中只需要计算候选新闻和上一轮胜出新闻的相似度，然后和缓存的数值进行比对，这样时间复杂度降为
2. 分桶
每条新闻都有自己的分类，例如体育、科技、娱乐等，不同的分类的新闻没有相似度计算的必要。这样根据分类对候选新闻进行分桶，不同的分类之间并行计算，同样可以降低算法的复杂度，降低耗时。
3. 缓存
我的应用场景中，新闻的相似度计算逻辑是这样的：
- 离线模型计算新闻的 embedding，存储在 redis 中
- 召回新闻，从 redis 中读取相应的 embedding
- 新闻相似度就是两个 embedding 的内积得分
考虑到离线计算的 embedding 变更的概率非常小，具体实现时，在服务内部对相似度进行了缓存，避免每次内积计算。
通过以上的优化手段，最终实现了逻辑发布上线。
参考：https://zhuanlan.zhihu.com/p/102285855