推荐系统通过平衡用户偏好与引入多样化或意想不到的内容的需求来处理多样性和新颖性。 多样性是指推荐来自不同类别或视角的项目，而新颖性侧重于推荐用户以前未遇到过的项目。 这两个目标都抵消了传统系统优先考虑流行或过于相似的项目的趋势，这可能会产生“过滤气泡”并随着时间的推移降低用户参与度。 为了实现这一点，系统使用算法有意地扩展超出用户直接偏好的推荐，同时保持相关性。
一种常见的实现多样性的方法是**重新排序**或**后处理**。在生成初始推荐列表之后（例如，使用协同过滤或矩阵分解），系统调整排名以包括来自不同类别或属性的项目。例如，如果用户的历史记录表明对喜剧和纪录片都感兴趣，电影平台可能会在用户的列表中穿插喜剧和纪录片。诸如**主题多样化**或**基于熵的评分**之类的技术明确地衡量和最大化项目特征（例如，类型、关键字）的多样性。对于新颖性，系统通常会跟踪用户对项目的接触时间，并优先考虑较新或较少见的选项。混合模型将协同过滤（处理新项目有困难）与基于内容的方法（可以呈现具有新元数据的项目）相结合，以推荐未受到重视的产品或最新版本。诸如*探索-利用*策略之类的 Bandit 算法还会小批量测试不熟悉的项目，以评估用户的兴趣，而不会牺牲整体推荐质量。
实际实现面临权衡。 例如，电子商务平台可能会平衡显示相似产品（高相关性）和偶尔显示来自不相关类别的建议（多样性）。 Spotify 之类的流媒体服务使用“Discover Weekly”播放列表，通过将用户收听模式与类似用户的协同过滤相结合来引入鲜为人知的曲目。 挑战包括避免过度多样化（这可能会让人感到随机）并确保新颖性不会压倒用户的信任（例如，推荐不相关的新项目）。 开发人员通常使用诸如*覆盖率*（推荐目录的多少）、*意外发现*（意外但有用的建议）之类的指标以及 A/B 测试来衡量成功，以优化熟悉度和发现之间的平衡。