在推荐系统中，serendipity（意外发现）指的是系统推荐对用户来说既意外又有用的项目，即使这些项目与他们的明确偏好或过去的行为不符。 与侧重于准确性的推荐（优先预测用户已经可能消费的项目，例如，向只阅读推理小说的读者推荐推理小说）不同，意外发现的推荐引入了新颖性。 例如，通常观看动作电影的用户可能会收到一部与其最喜欢的电影中的主题略有相关的纪录片的推荐，从而提供一个新鲜但仍相关的选择。 意外发现平衡了熟悉性和发现性，帮助用户找到他们自己不会主动寻找的内容。
实现意外发现通常涉及故意偏离纯粹基于相似性的方法的技术。 例如，可以修改协同过滤以包括多样性约束，确保推荐不仅仅是“最相似”的项目。 混合模型结合了协同过滤和基于内容的过滤，可能会呈现与用户的偏好共享潜在属性但属于不同类别的项目。 另一种方法是在受控范围内注入随机性——例如，音乐应用程序偶尔会建议一种与用户更广泛的收听模式一致的鲜为人知的流派。 诸如“意外性”或“惊喜”之类的指标可以通过将推荐与基线预测进行比较来量化意外发现（例如，建议偏离标准算法提议的程度）。
然而，在不牺牲相关性的情况下实现意外发现具有挑战性。 过分强调新颖性可能会导致无关的建议，从而让用户感到沮丧。 为了解决这个问题，系统通常使用强化学习来动态调整探索（意外发现）和利用（准确性）之间的平衡。 例如，电影平台可以测试用户是否参与了非传统的推荐，并根据反馈改进其策略。 评估还需要超越传统的指标（如精确度）——A/B 测试或用户调查可能更好地捕捉对意外发现推荐的满意度。 取得适当的平衡可以确保用户遇到的惊喜感觉是经过深思熟虑的，而不是随机的，从而增强长期的参与度。