推荐系统中的意外发现（serendipity）是指推荐出用户意料之外但又相关的物品的能力，将用户的视野扩展到可预测推荐之外。与优先考虑准确性的传统方法（例如，根据用户的历史行为推荐他们可能给出高分的电影）不同，意外发现通过呈现用户可能自己发现不了的物品来引入新颖性。这个概念解决了“信息茧房”问题，即过度精确的推荐限制了用户的探索。例如，一个音乐应用可能会推荐用户尚未探索的小众流派，但该流派与他们的听歌历史有共同特征，从而在不牺牲相关性的前提下促进发现。
开发者通过平衡新颖性和相关性的技术来实现意外发现。混合模型结合协同过滤（识别用户-物品模式）和基于内容的方法（分析物品属性）来注入多样性。例如，电影推荐器可以使用协同过滤来识别相似用户中流行的电影，然后应用多样化步骤来包含具有重叠主题或导演的知名度较低的影片。知识图谱也能通过非显而易见的关系连接物品来实现意外发现——图书推荐器可以根据用户对哲学的兴趣推荐一本受其启发创作的科幻小说，利用流派之间的语义连接。另一种方法是使用“意外发现分数”来量化物品相对于用户历史的意外程度，同时确保它符合更广泛的偏好。
一个关键挑战是在不损害用户满意度的情况下衡量和优化意外发现。过度强调新颖性可能会导致不相关的建议，例如向只购买科技产品的人推荐厨具。为了缓解这种情况，系统通常使用“意外性”（物品与过去互动有多么不同）和“效用”（物品是否仍然有用）等指标。A/B 测试可以验证意外发现推荐是否提高了用户参与度——例如，跟踪用户是否在流媒体平台中点击或评价了多样的推荐。此外，用户反馈机制，例如允许用户标记“令人惊喜但有用”的推荐，有助于完善算法。要取得恰当的平衡需要迭代调优，因为过于激进的意外发现可能会让用户感到困惑，而太少则限制了发现。