본 논문은 사용자 참여도를 높이는 추천 시스템 최적화는 잘 알려진 관행이지만, 핵심 비즈니스 지표에 부정적 영향을 미치지 않고 추천의 다양성을 효과적으로 확보하는 것은 여전히 상당한 산업적 과제임을 다룹니다. 저자들은 사용자의 문화적 경험을 확장하고자 하는 목표에 따라 개인화된 Determinantal Point Processes (DPPs)를 사용하여 다양하고 관련성 있는 추천을 샘플링하는 방법을 조사합니다. 유사도 커널의 잘 알려진 품질-다양성 분해를 활용하여 사용자 선호도에 더 큰 가중치를 부여합니다. 개인화된 DPP 샘플링 구현, 오프라인 및 온라인 지표를 통한 관련성과 다양성 간의 트레이드오프 평가, 그리고 실제 환경에서의 사용에 대한 실무자를 위한 통찰력을 제시하며, 재현성을 위해 플랫폼 및 실험에 대한 전체 코드를 GitHub에 공개합니다.
